人工智能：
《Artificial Intelligence: A Modern Approach》，第三版，Russell著，權威、經典的人工智能教材，闡述了人工智能的核心內容，反映了人工智能最近10年來的新進展。
《ProgrammingCollective Intelligence》，Toby Segaran著，本書將帶你進入機器學習和統計學的世界，對算法的描述簡明清晰，很對代碼都可以直接拿去實際應用。
數據挖掘：
《DataMining, Concepts and Techniques》，第三版，Han著，數據挖掘領域最具里程碑意義的經典著作。
《DataMining: Practical Machine Learning Tools and Techniques》,第二版，Witten著，介紹了機器學習的基本理論和實踐方法，並提供了一個公開的數據挖掘工作平臺Weka，算法部分介紹得很詳細。
信息檢索：
《An Introductionto Information Retrieval》,Manning著，這是一本介紹信息檢索的入門書籍，書中對信息檢索的基本概念和基本算法做了介紹，適合初學者。
《Search Engines Information Retrieval in Practice》,Croft著，這本書講述了搜索引擎的構造方法，通過實際代碼展示了搜索引擎的工作原理，對於學生和從事相關領域的工程師，本書都值得一看。
《Managing Gigabytes》，《Mining the Web -Discovering Knowledge from Hypertext Data》
《Information Theory：Inference and Learning Algorithms》。
模式識別和機器學習：
《Pattern Classification 》，第二版，Duda著，模式識別的奠基之作，但對SVM、Boosting幾乎沒提，有掛一漏萬之嫌。
《Pattern Recognition and Machine Learning》,Bishop著，側重概率模型，詳細介紹了Bayesian方法、有向圖、無向圖理論等，體系完備。
《Kernel Methods for Pattern Analysis》,John Shawe-Taylor著，SVM等統計學的諸多工具裏都用到了核方法，可以將將低維非線性空間映射到高維的線性空間中，但同時會引入高維數據的難題。
《Computer Vision: A Modern Approach》，第二版，Forsyth著，一本不錯的計算機視覺教材，全書理論聯繫實際，並加入了計算機視覺領域的最新研究成果。
《Computer Vision: Algorithms and Applications》,Richard Szeliski的大作，《數字圖像處理》課程老師推薦的一本書籍，這本書我還沒有看完，書中對計算機視覺領域最新的一些算法進行了彙編，包括圖像分割，特徵檢測和匹配，運動檢測，圖像縫合，3D重建，對象識別等圖像處理的諸多方面，藉助本書我們可以對最新主流圖像處理算法有個全局把握。
線性代數：
《Linear Algebra and Its Applications》Fourth Edition, Gilbert Strang的著作，本書詳細介紹了向量空間、線性變換、本徵值和本徵向量等線性代數的重要基本概念，把抽象的線性空間形象地表達出來，適合初學者。
《Introduction to Probability Models》第10版，Ross著，一本書能夠發行到第十版，你說是不是很經典呢？
離散數學：
《Discrete Mathematics and Its Applications》，第六版，Rosen著，本書囊括了離散數學推導、組合分析、算法及其應用、計算理論等多方面的內容，適合初學者。
矩陣數學：
《Matrix Analysis》,Horn著,本書無疑是矩陣論領域的經典著作了，風行幾十年了。
概率論與數理統計：
《All Of Statistics》,Wasserman著，一本數理統計的簡介讀本。
《Introductionto Mathematical Statistics》，第六版，Hogg著，本書介紹了概率統計的基本概念以及各種分佈，以及ML，Bayesian方法等內容。
《Statistical Learning Theory》Vapnik的大作，統計學界的權威，本書將理論上升到了哲學層面，他的另一本書《The Nature ofStatistical Learning Theory》也是統計學習研究不可多得的好書，但是這兩本書都比較深入，適合有一定基礎的讀者。
《統計學習方法》，李航著，國內很多大學都在用這本書，本書從具體問題入手，由淺入深，簡明地介紹了統計學習的主要方法，適合初學者而又想對統計學習理論有一個全局理解的學生。
《The Elements of Statistical Learning-Data Mining, Inference, and Prediction》,第二版，Trevor Hastie著，機器學習方面非常優秀的一本書，較PC和PRML,此書更加深入，對工程人員的價值也許更大一點。
《AnIntroduction to Probabilistic Graphical Models》,Jordan著，本書介紹了條件獨立、分解、混合、條件混合等圖模型中的基本概念，對隱變量（潛在變量）也做了詳細介紹，相信大家在隱馬爾科夫鏈和用Gaussian混合模型來實現EM算法時遇到過這個概念。
《Probabilistic Graphical Models-Principles and Techniques》，Koller著，一本很厚很全面的書，理論性很強，可以作爲參考書使用。
最優化方法：
《Convex Optimization》，Boyd的經典書籍，被引用次數超過14000次，面向實際應用，並且有配套代碼，是一本不可多得的好書，網址http://www.stanford.edu/~boyd/cvxbook/。
《Numerical Optimization》，第二版，Nocedal著，非常適合非數值專業的學生和工程師參考，算法流程清晰詳細，原理清楚。
另外推薦幾個博客和網站：
https://www.coursera.org/，這是一個由世界頂級大學聯合創辦的網上在線視頻公開課網站，裏面有stanford, MIT,CMU等計算機科學一流大學提供的免費教學視頻，內容全面，計算機科學方面的資源較網易視頻公開課網站（http://open.163.com/）內容要新、要全。
http://blog.csdn.net/pongba/article/details/2915005，本文的部分內容就是借鑑劉未鵬大神的博客而來的，也正是看過他的那個書單後，我才決定寫一個總結歸納性的文章，這樣可以方便大家學習，更可以勉勵自己多看些有益的經典書籍。
http://blog.pluskid.org/，這是浙大學生張馳原的博客網站，現在他去了MIT，博客裏面的很多資源都值得一看，博文的很大一部分都是關於機器學習的，加入了作者自己的理解，深入淺出。
http://blog.csdn.net/ffeng271/article/details/7164498，林達華推薦的幾本數學書，轉自MIT大牛博客。