寫在前面：我是【程序員寶藏】的寶藏派發員，致力於創作原創乾貨。我熱愛技術、熱愛開源與分享，創作的【計算機基礎面試問題】系列文章和【計算機基礎主幹知識】系列文章廣受好評！後期會創作更多優質原創系列文章！如果您對計算機基礎知識、編程等感興趣，可以關注我，我們一起成長！
本人力薦：如果覺得CSDN排版不夠美觀，歡迎來我的個人原創公zong號【程序員寶藏】（號如其名，誠不欺你！）查看有紅色重點標記和排版美觀的全系列文章（不細你來找我要紅包）
好多同學問我要pdf版，我乾脆把全部文章都整理成了pdf直接打印版，在公zong號後臺回覆關鍵字【寶藏】即可免費帶回家慢慢看！
前情提要：爲了讓大家學好機器學習，我問了幾個大佬學長並找了些資料，整理了一些學習路上必看的書籍，從數學基礎、算法基礎，到入門，再到進階實戰，都是精選的經典書籍，並給出了圖片和簡要介紹（還附帶 Github 項目教程），各位幫小寶點個在看後儘管拿去就行！
數學基礎
《數學之美（第二版）》（豆瓣 8.9）
第二版增加了針對大數據和機器學習的內容，以便滿足人們對當下技術的學習需求；同時，根據專家和讀者的反饋更正了一些錯漏，並更新了部分內容。
《統計學習方法》(豆瓣 9.0)
本書全面系統地介紹了統計學習的主要方法，特別是監督學習方法，包括感知機、k 近鄰法、樸素貝葉斯法、決策樹、邏輯斯諦迴歸與支持向量機、提升方法、EM 算法、隱馬爾可夫模型和條件隨機場等。敘述從具體問題或實例入手，由淺入深，闡明思路，給出必要的數學推導，便於讀者掌握統計學習方法的實質，學會運用。
《統計學習方法》可以說是機器學習的入門寶典，許多機器學習培訓班、互聯網企業的面試、筆試題目，很多都參考這本書。
《統計學習方法》官方沒有提供代碼實現，github 上有個項目，將《統計學習方法》中每一章的算法用 python 實現一遍，得到了李航老師的認可。建議配套《統計學習方法》書籍，邊看書邊手推公式然後對着 GitHub 一邊敲代碼，受益會很大。
《托馬斯微積分》（豆瓣 9.4）
微積分裏的多元微積分是推導一些重要公式的理論基礎，如反向傳播公式。學好多元微積分也能更好地理解神經網絡模型的優化過程。
《線性代數及其應用（原書第 5 版）》（豆瓣 9.3）
線性代數是理解矩陣運算的基礎。數據挖掘算法裏的非負矩陣分解、奇異值分解，以及神經網絡裏的矩陣運算，都需要一定的線性代數知識。
《概率論與數理統計》（豆瓣 9.3）
概率論與數理統計是最爲重要的一門數學課。目前使用最廣泛的交叉熵損失函數，源於統計中的極大似然估計；概率論中的貝葉斯公式衍生出了貝葉斯學派；大數定律則是很多主觀實驗的理論依據之一。
算法|編程基礎
《圖解機器學習》
本書用豐富的圖示，從最小二乘法出發，對基於最小二乘法實現的各種機器學習算法進行了詳細的介紹。第 Ⅰ 部分介紹了機器學習領域的概況；第 Ⅱ 部分和第 Ⅲ 部分分別介紹了各種有監督的迴歸算法和分類算法；第 Ⅳ 部分介紹了各種無監督學習算法；第 Ⅴ 部分介紹了機器學習領域中的新興算法。書中大部分算法都有相應的 MATLAB 程序源代碼，可以用來進行簡單的測試。本書適合所有對機器學習有興趣的初學者閱讀。
《集體智慧編程》（豆瓣9.0）
好書,介紹一些常用算法的使用方法,如神經網絡,支持向量機,模擬退火,遺傳算法等.對普通讀者已經夠了.能將這些算法用熟,就能開發出非常好的應用程序來。
《Python編程》(豆瓣9.1)
本書是一本針對所有層次的Python 讀者而作的Python 入門書。全書分兩部分：第一部分介紹用Python 編程所必須瞭解的基本概念，包括matplotlib、NumPy 和Pygal 等強大的Python 庫和工具介紹，以及列表、字典、if 語句、類、文件與異常、代碼測試等內容；第二部分將理論付諸實踐，講解如何開發三個項目，包括簡單的Python 2D 遊戲開發如何利用數據生成交互式的信息圖，以及創建和定製簡單的Web 應用，並幫讀者解決常見編程問題和困惑。
入門
《西瓜書》（豆瓣 8.6）
西瓜書作爲經典入門書籍身邊學習機器學習的小夥伴可謂是人手一本。針對西瓜書部分公式推倒太難的問題，GitHub 上有個開源項目，由開源組織 Datawhale 發起，得到了周志華老師的認同，叫做 pumpkin-book《南瓜書》
《Python 深度學習》（豆瓣 9.5）
書中包含 30 多個代碼示例，步驟講解詳細透徹。由於本書立足於人工智能的可達性和大衆化，讀者無須具備機器學習相關背景知識即可展開閱讀。在學習完本書後，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。
《動手學深度學習》（豆瓣 9.5）
本書旨在向讀者交付有關深度學習的交互式學習體驗。書中不僅闡述深度學習的算法原理，還演示它們的實現和運行。與傳統圖書不同，本書的每一節都是一個可以下載並運行的 Jupyter 記事本，它將文字、公式、圖像、代碼和運行結果結合在了一起。
《Python 神經網絡編程》（豆瓣 9.2）
全書主要內容分爲兩部分：神經網絡的理論基礎和 python 編程實踐。其實英文名《 Make Your Own Neural Network》更有代表性，整本書就是在教你如何一步步地搭建神經網絡，層次清晰、通俗易懂。
進階
《機器學習實戰》（豆瓣 8.1）
全書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效的可複用 Python 代碼來闡釋如何處理統計數據，進行數據分析及可視化。通過各種實例，讀者可從中學會機器學習的核心算法，並能將其運用於一些策略性任務中，如分類、預測、推薦。另外，還可用它們來實現一些更高級的功能，如彙總和簡化等。
《Pattern Recognition And Machine Learning》（ 模式識別與機器學習）（豆瓣 9.5）
簡稱 PRML，當之無愧算得上是 AI 領域的聖經了。PRML 涵蓋面廣，語言通俗，例子和習題更加詳細，附帶更多基礎性的講解和指引，難度梯度設置更爲合理，是其深受廣大 PHD 朋友喜愛。這本書側重於概率模型，是貝葉斯方法的扛鼎之作，如今已經開源。
《Statistical Learning Theory》（豆瓣 9.5）
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。
不要忘記去我的個人原創公zong號【程序員寶藏】----專注於計算機基礎、編程、分享，獲取【寶藏】哦！
作爲過來人，有考研的小夥伴可以加我好友（公zong號有二維碼，備註【考研】），免費解答相關問題，做你的知心大哥哥！我們一研爲定！
覺得有收穫？希望老鐵們來個三連擊(點贊、評論、收藏)，讓更多的人看到這篇文章！順便也激勵下我，嘿嘿！