2019/04/22 08/23/55　　【丹佛丹佛斯斯变频器 www.dfsbp.因此，我试图将高中数学与人工智能和数据科学联系起来，重点是数学建模。这些书教会了我时刻保持谦逊。就像与那些经历了时间考验的老朋友们重逢一样。

　　２．其次，作者在写一本书来简述人工智能，从数学的角度入手，目标读者是１４到１８岁的少年。多年之后，也许你会发现，在眼花缭乱的技术、模型和框架背后，数学是永恒的。ＶＬＡＤＩＭＩＲ　ＶＡＰＮＩＫ现年已经８１岁。

　　此外，作者推荐这几本书，还有两点个人原因：

　　１．作者在牛津大学教授物联网数据科学的课程，也包括一些ＡＩ技术应用方面的教学事务，在教学过程中涉及到数学基础知识和课程。无论我们现在知道了多少，掌握了多少知识，都总能在阅读过程中发现，这个领域原来是如此的庞大和复杂。一个数学基础深厚的人，对ＡＩ的理解和认识与其他仅从表面认识ＡＩ的人有很大的区别。

　　原文链接：

　　【加入社群】

　　。

　　这些书已经超越了时间。

　　补充两本书：

　　Ａ　ＦＩＲＳＴ　ＣＯＵＲＳＥ　ＩＮ　ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩ台达变频器ＮＧ，　ＳＥＣＯＮＤ　ＥＤＩＴＩＯＮ　（ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩＮＧ　＆　ＰＡＴＴＥＲＮ　ＲＥＣＯＧＮＩＴＩＯＮ）　ＢＹ　ＳＩＭＯＮ　ＲＯＧＥＲＳ，　ＭＡＲＫ　ＧＩＲＯＬＡＭＩ

　　作者：ＳＩＭＯＮ　ＲＯＧＥＲＳ，ＭＡＲＫ　ＧＩＲＯＬＡＭＩ

　　ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩＮＧ：　Ａ　ＰＲＯＢＡＢＩＬＩＳＴＩＣ　ＰＥＲＳＰＥＣＴＩＶＥ

　　作者：ＫＥＶＩＮ　ＭＵＲＰＨＹ

　　这本书中评价也很高，但我个人没有读过（因此没有收集）。

　　（３）

　　ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩＮＧ：　ＡＮ　ＡＬＧＯＲＩＴＨＭＩＣ　ＰＥＲＳＰＥＣＴＩＶＥ，ＳＥＣＯＮＤ　ＥＤＩＴＩＯＮ　（ＣＨＡＰＭＡＮ　＆　ＨＡＬＬ／ＣＲＣ　ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩＮＧ　＆　ＰＡＴＴＥＲＮ　ＲＥＣＯＧＮＩＴＩＯＮ）

　　《机器学习：算法视角》

　　ＰＤＦ资源：

　　这本书现在已经出版了第二版。ＨＩＮＴＯＮ认为，我们也许应该重新思考反向传播。本书采用模式识别方法，并涵盖了广泛的算法。当然，涉及到数学，往往阅读体验可能不会很舒服，但要搞好机器学习，数学基础是必须要打牢的，所以努力读书吧！

　　先说一说为什么在数据科学学习时打好数学基础。ＶＬＡＤＩＭＩＲ　ＶＡＰＮＩＫ是支持向量机（ＳＶＭ）的创始人。

　　最后，是我最推荐的一本书：

　　（７）　ＤＥＥＰ　ＬＥＡＲＮＩＮＧ　《深度学习》

　　相关资源：

　　如果你在找一本值得逐页读完的书，就是它了！这本书既详细，又有现代感，书中内容几乎涵盖了你能想到的关于深度学习的一切知识。

　　（２）　ＰＡＴＴＥＲＮ　ＣＬＡＳＳＩＦＩＣＡＴＩＯＮ　（２００７－１２－２４）《模式分类》

　　作者：ＲＩＣＨＡＲＤ　Ｏ　ＤＵＤＡ

　　ＰＤＦ资源：

　　就像ＶＡＰＮＩＫ的著作一样，ＤＵＤＡ的著作时另一个时代的另一部经典。

　　下面进入正题：

　　（１）　ＴＨＥ　ＮＡＴＵＲＥ　ＯＦ　ＳＴＡＴＩＳＴＩＣＡＬ　ＬＥＡＲＮＩＮＧ　ＴＨＥＯＲＹ　《统计学习理论的本质》

　　作者：ＶＬＡＤＩＭＩＲ　ＶＡＰＮＩＫ

　　ＰＤＦ资源：

　　如果说要列一份关于数学的书单，这本书是绕不过去的变频器维修 。我特别喜欢这本书中的算法分组（逻辑模型，线性模型，概率模型）章节以及这些主题的整体讲述方式。此外，掌握数学知识还能更好地了解ＡＩ技术带来知识产权的潜力。本书单中排名第一的就是俄罗斯著名数学家ＶＬＡＤＩＭＩＲ　ＶＡＰＮＩＫ的《统计学习理论的本质》。他的维基百科页面中提供了更多关于他研究成果的介绍。

　　以下是我总结的几个原因：

　　ＡＩ领域无时无刻不在迅速变化。

　　出于这个目的，本文介绍了七本在注重打好数据科学的数学基础上的技术读物。

　　（５）ＰＡＴＴＥＲＮ　ＲＥＣＯＧＮＩＴＩＯＮ　ＡＮＤ　ＭＡＣＨＩＮＥ　ＬＥＡＲＮＩＮＧ　（ＩＮＦＯＲＭＡＴＩＯＮ　ＳＣＩＥＮＣＥ　ＡＮＤ　ＳＴＡＴＩＳＴＩＣＳ）

　　《模式识别与机器学习（信息科学与统计）》

　　作者：ＣＨＲＩＳＴＯＰＨＥＲ　Ｍ．　ＢＩＳＨＯＰ

　　ＰＤＦ资源：

　　ＣＨＲＩＳＴＯＰＨＥＲ　Ｍ．ＢＩＳＨＯＰ的模式识别和机器学习（信息科学和统计学）也是一本深入而精心设计的参考书。本书初版于１９７３年，在二十多年后的２０００年才推出第二版，此后一直未再版。

　　写在最后：

　　除了最后一本《深度学习》之外，我建议其他书不必逐页阅读，而是将其作为参考书，根据需要按相应主题阅读相应的书籍。新智元报道

　　大多数人学习数据科学的人都会把重点放在编程上，实际上编程能力确实是机器学习和数据科学领域的重要技能。

　　（４）

　　ＴＨＥ　ＥＬＥＭＥＮＴＳ　ＯＦ　ＳＴＡＴＩＳＴＩＣＡＬ　ＬＥＡＲＮＩＮＧ：　ＤＡＴＡＭＩＮＩＮＧ，　ＩＮＦＥＲＥＮＣＥ，　ＡＮＤ　ＰＲＥＤＩＣＴＩＯＮ，　ＳＥＣＯＮＤ　ＥＤＩＴＩＯＮ

　　《统计学习基础：数据挖掘、推理和预测》（第二版）

　　作者：ＴＲＥＶＯＲ　ＨＡＳＴＩＥ，ＲＯＢＥＲＴ　ＴＩＢＳＨＩＲＡＮＩ，ＪＥＲＯＭＥ　ＦＲＩＥＤＭＡＮ

　　ＰＤＦ资源：

　　另一本经典之作，可以作为参考书。与前两本书一样，本书也非常强调算法。

　　我喜欢ＰＥＴＥＲ　ＦＬＡＣＨ的书，尽管亚马逊网站上的一些评论说这书写得太罗嗦，而且代码量显得不足。但是，要真正精通数据科学和机器学习，必然不能忽视的数据科学背后的数学基础。目前在高中阶段至少会教授这些课程的一部分内容。要深入了解数学科学和人工智能数学的数学基础，你需要了解四个方面知识：线性代数，概率论，多元微积分和优化。此书第一版是我读过的最早的书关于机器学习和算法的著作之一，第二版增加了更多ＰＹＴＨＯＮ代码。我预计５０年以后，这个行业里的人们仍然会阅读这些著作。在这份清单中的所有书籍中，ＶＡＰＮＩＫ这本是最不好找的。ＤＵＤＡ的著作初版于１９７３年。最后，了解数据科学背后的数学知识，也可以让人更容易获得ＡＩ和数据科学的高端职位。时隔近二十年，本书仍然是一个重要资源。掌握牢固的数学知识有助于更好地理解ＡＩ的演变

20190422082355