Solutions Review審查了許多機器學習書籍，根據相關性，流行度，評分，發佈日期以及增加業務價值的能力，精心挑選了頂級機器學習書籍。 列出的每本書至少有15個亞馬遜用戶評論，評分爲4.0或更高。
您將在下面找到該領域公認的領導者，專家和技術專業人員的圖書庫。 從數據科學到神經網絡，這些出版物甚至可以提供最終端的數據和分析專業人員。
本文會持續更新，有些書籍可能因爲版權原因不會對外發布，但是都在討論qq羣144081101 591302926 567351477留有備份。個人建議優先考慮github星級1000以上的書。
Deep Learning with Python François Chollet - 2018.pdf
- 源碼 github星級 5000左右
- 頁數：386
Deep Learning with Python使用Python語言和強大的Keras庫引入深度學習。 本書由Keras作者，Google AI研究員FrançoisChollet撰寫，通過直觀的解釋和實際例子幫助您的理解，涉及計算機視覺，自然語言處理和生成模型。
Hands-On Machine Learning with Scikit-Learn and TensorFlow - 2017.pdf
通過使用具體的例子，最小的理論和兩個可用於生產的Python框架 - scikit-learn和TensorFlow，作者AurélienGéron幫助您直觀地理解構建智能系統的概念和工具。 您將學習一系列技術，從簡單的線性迴歸開始，逐步深入到神經網絡。 通過每一章的練習來幫助您應用所學的知識，有編程經驗就能上手。
- 源碼地址 github星級 10000左右
- 頁數： 564
Machine Learning For Absolute Beginners, 2nd Edition-Oliver Theobald(2017).pdf
Machine Learning for Absolute Beginners Second Edition爲完全初學者編寫和設計的。簡單的英語解釋，無需編碼經驗。 在引入核心算法的地方，添加了清晰的解釋和可視化示例，以便在家中輕鬆實現。新版本包含了第一版中未涉及的許多主題，包括交叉驗證，數據清理和集合建模。
- 源碼地址：後期找到補上 github星級
- 頁數： 128
深度學習(deep learning) - 2017.pdf
提供了數學和概念背景，涵蓋了線性代數，概率論和信息論，數值計算和機器學習中的相關概念。 它描述了工業從業者使用的深度學習技術，包括深度前饋網絡，正則化，優化算法，卷積網絡，序列建模和實用方法; 分析了自然語言處理，語音識別，計算機視覺和在線推薦系統等應用。
- 源碼地址：暫無 github星級 20000左右
- 頁數： 738 中文書 本書沒有英文電子版本，但是有中文的
Python機器學習基礎教程
Introduction to Machine Learning with Python - 2017.pdf
如果您使用Python，即使是初學者，本書也將用務實的方法教您構建自己的機器學習解決方案。 您將學習使用Python和scikit-learn庫創建成功的機器學習。 作者AndreasMüller和Sarah Guido專注於使用機器學習算法的應用，而不是背後的數學。 熟悉NumPy和matplotlib庫將幫助您從本書中獲得更多信息。
- 源碼 github星級 3000左右
- 頁數： 392 另有中文電子版本 因爲版權已經在CSDN等網站下架，可以在qq羣144081101等找到。
使用TensorFlow進行機器學習
Machine Learning with TensorFlow - 2017.pdf
使用TensorFlow進行機器學習爲讀者提供了機器學習概念的堅實基礎，以及使用Python編寫TensorFlow的實踐經驗。 您將通過使用經典預測，分類和聚類算法來學習基礎知識。 然後，您將進入金錢章節：探索深度學習概念，如自動編碼器，循環神經網絡和強化學習。 摘要本書，您將準備好使用TensorFlow進行自己的機器學習和深度學習應用。“
- 源碼 github星級 4000左右
- 頁數： 244
Deep Learning with Keras - 2017.pdf
本書首先介紹了監督學習算法，如簡單線性迴歸，經典多層感知器和更復雜的深度卷積網絡。您還將探索圖像處理，識別手寫數字圖像，將圖像分類爲不同類別，以及使用相關圖像註釋進行高級對象識別。還提供了用於面部檢測的突出點的識別的示例。接下來，您將瞭解Recurrent Networks，它針對處理序列數據（如文本，音頻或時間序列）進行了優化。接下來，您將學習無監督學習算法，如自動編碼器和非常流行的生成對抗網絡（GAN）。您還將探索神經網絡的非傳統用途的樣式轉移。
最後，您將瞭解強化學習及其在人工智能遊戲中的應用，這是神經網絡研究和應用的另一個流行方向。
- 源碼 github星級 500左右
- 頁數： 310
Machine Learning: The Ultimite Beginners Guide For Neural Networks, Algorithms, Random Forests and Decision Trees Made Simple
當今世界機器學習的用途是巨大的，並且不斷擴大。 該技術有望徹底改變人們每天與機器交互的方式。 瞭解這些程序和流程的功能如何幫助您瞭解這項新技術。 如果您不熟悉機器學習，您會驚訝地發現除了語音識別等廣爲人知的方面之外，還可以使用多種方式。 這本書可以成爲你邁向更大世界的第一步。
Advances in Financial Machine Learning - 2018.pdf
讀者將學習如何以適合ML算法的方式構建大數據; 如何利用ML算法對該數據進行研究; 如何使用超級計算方法; 如何測試發現問題，同時避免誤報。 本書解決了從業者每天面臨的現實問題，並通過代碼和示例支持使用數學解釋科學合理的解決方案。 讀者可以在特定環境中測試建議的解決方案。
- 頁數： 393
TensorFlow學習指南:深度學習系統構建詳解
本書主要介紹如何使用 TensorFlow 框架進行深度學習系統的構建。從基礎知識入手，將使用TensorFlow 的各種方式貫穿於整本書的講解之中，並結合實際的深度學習任務展示終深度學習系統的效果。本書涉及卷積神經網絡、循環神經網絡等核心的技術，並介紹了用於圖像數據和文本序列數據的模型。在後半部分，本書介紹了更加高級的使用 TensorFlow 的技巧，並給出了分佈式深度學習系統在TensorFlow 下的構建過程以及如何將訓練後的模型導出和部署的方法。通過學習本書，你將能夠使用 TensorFlow 完成從簡單到高級應用系統構建的技術。 本書適合計算機相關專業的學生、軟件工程師、深度學習開發者、架構師、CTO 等技術人員閱讀
- 源碼 github星級 200左右
- 頁數：242
Learning TensorFlow - 2017.pdf
The Elements of Statistical Learning 2nd - 2015.pdf
本書在共同的概念框架中描述了醫學，生物學，金融學和市場營銷等各個領域的重要思想。 重點是概念而不是數學。 通過自由使用彩色圖形給出了許多例子。 新版本新增圖形模型，隨機森林，集合方法，套索的最小角度迴歸和路徑算法，非負矩陣因子分解和譜聚類等。
- 頁數：758
Python Machine Learning(2nd) - 2017.pdf
本書提供了創建和促進機器學習所需的實用知識和技術， 深度學習和現代數據分析。
- 源碼 github星級 200左右
- 頁數：850
Fundamentals of Machine Learning for Predictive Data Analytics - 2015.pdf
這本入門教材提供了對預測數據分析中最重要的機器學習方法的詳細和集中處理，涵蓋了理論概念和實際應用。 本書通過作者多年的機器學習教學和預測數據分析項目的研究，適合計算機科學，工程，數學或統計學的本科生使用; 應用於預測數據分析的學科研究生; 並作爲專業人士的參考。
- 頁數：599
Make Your Own Neural Network - 2016.pdf
Make Your Own Neural Network - 2016.pdf
本書首先從簡單的思路着手，詳細介紹了理解神經網絡如何工作所必須的基礎知識。第一部分介紹基本的思路，包括神經網絡底層的數學知識，第2部分是實踐，介紹了學習Python編程的流行和輕鬆的方法，從而逐漸使用該語言構建神經網絡，以能夠識別人類手寫的字母，特別是讓其像專家所開發的網絡那樣地工作。第3部分是擴展，介紹如何將神經網絡的性能提升到工業應用的層級，甚至讓其在Raspberry Pi上工作。
- 源碼 github星級 900左右
- 頁數：222
###OReilly Thoughtful Machine Learning with Python A Test-Driven Approach - 2017.pdf
通過教您如何使用測試驅動的方法對機器學習算法進行編碼，這本實用的書籍可以幫助您獲得在商業環境中有效使用機器學習所需的信心。 您將學習如何使用各種測試在粒度級別剖析算法，並發現用於測試機器學習代碼的框架。 作者提供了真實的示例來演示有效使用機器學習代碼的結果。基於sklearn。
- 源碼 github星級 200多
- 頁數：216
Python機器學習實踐-測試驅動的開發方法 - 2018.pdf
深度學習基礎
《深度學習基礎(影印版)(英文)》內容簡介：Google、微軟和Facebook等公司正在積極發展內部的深度學習團隊。對於我們而言，深度學習仍然是一門非常複雜和難以掌握的課題。如果你熟悉Python，並且具有微積分背景，以及對於機器學習的基本理解，《深度學習基礎(影印版)(英文)》將幫助你開啓深度學習之旅
Fundamentals of Deep Learning - 2017.pdf
- 源碼 github星級 500左右
- 頁數：298
TensorFlow for Deep Learning - 2018.pdf
通過TensorFlow學習如何解決具有挑戰性的機器學習問題，TensorFlow是Google革命性的深度學習新軟件庫。 如果你有基本線性代數和微積分的背景知識，這本實用的書介紹瞭如何設計能夠檢測圖像中的對象，理解文本，分析視頻和預測潛在藥物特性的系統的機器學習基礎知識。
TensorFlow for Deep Learning通過實際示例教授概念，並幫助您從頭開始構建深度學習基礎知識。 它非常適合具有設計軟件系統經驗的開發人員，對熟悉腳本的科學家和其他專業人員非常有用，但不一定非常適合設計學習算法。
- 源碼 github星級 200左右
- 頁數：301
Deep Learning for Beginners Concepts, Techniques and Tools - 2017.pdf
Neural Networks and Deep Learning.pdf
一本通俗解釋深度學習的書，簡單地說，你的奶奶都可以在本書的幫助下理解深度學習！
神經網絡和深度學習：讓你逐步瞭解神經網絡和深度學習的基礎知識，對於那些想要了解這個主題但不一定想深入瞭解所有數學背景的人來說，這本書是一本很棒的書。
因此，在簡要介紹機器學習之後，你將學習有監督學習和無監督的學習，然後研究諸如神經元、激活函數和不同類型的網絡體系結構等。
最後，你將學習深度學習的實際工作原理，深度神經網絡的主要類型（包括卷積神經網絡），如何給神經網絡提供記憶，還討論了可用的各種框架和庫。
Python機器學習經典實例
Python Machine Learning Cookbook(2016).pdf
在如今這個處處以數據驅動的世界中，機器學習正變得越來越大衆化。它已經被廣泛地應用於不同領域，如搜索引擎、機器人、無人駕駛汽車等。本書首先通過實用的案例介紹機器學習的基礎知識，然後介紹一些稍微複雜的機器學習算法，例如支持向量機、極-端隨機森林、隱馬爾可夫模型、條件隨機場、深度神經網絡，等等。 本書是爲想用機器學習算法開發應用程序的Python 程序員準備的。它適合Python 初學者閱讀，不過熟悉Python 編程方法對體驗示例代碼大有裨益
- 源碼 github星級 200左右
- 頁數：295
| Python Machine Learning(2nd) - 2017.pdf
- 源碼 github星級 100多
- 頁數：850
參考資料
- 討論qq羣144081101 591302926 567351477 釘釘免費羣21745728
- 本文相關書籍下載 Top 25 Best Machine Learning Books You Should Read