这两年人工智能非常火热，所以，书籍和学习资料也层出不穷，有一些资源非常好，但是也有一些资料质量低劣，选择一份好的学习资源犹如大海捞针，如果不慎重选择，不仅耽误时间、耗费大量的精力，而且容易引起误导，因此本文就推荐基本比较优秀的学习资源，附上中英文电子书和源代码，需要的可以关注微信公众号“平凡而诗意”，回复ML获取。
前言
这两年随着人工智能升温，很多不同专业、不同领域的人想进入这个方向，隔行与隔山，很多人很迷茫，机器学习相关的书籍和资料多如牛毛，该怎么选择？
的确，机器学习和人工智能相关的书籍和资料实在太多，有一些的确很不错，但是有一些资料却不敢恭维，由于有的作者对人工智能还没理解透彻，如果"不幸"选中了这些书籍，不仅耽误时间浪费精力，而且还会引起歧义、造成误导。因此，我在此推荐基本我认为不错的机器学习相关的8本书籍，同时附带源码，感兴趣的可以关注微信公众号回复关键字获取。
机器学习八大名著
如果进行细分把机器学习和深度学习分开的话，这5本书籍有3本属于传统机器学习，有6本属于深度学习，详细介绍如下：
传统机器学习
- 《机器学习》周志华
我想很多人对这本"西瓜书"都不陌生，南大著名教授周志华的作品，语言通俗而不晦涩，讲解内容也是由浅入深，条理非常清晰，我个人觉得质量是非常高的。
- 《统计学习方法》李航
相对于周志华教授的《机器学习》，我觉得李航的《统计学习方法》涉及更多数学理论，如果说《机器学习》适用于初学者的话，《统计学习方法》需要有一定数学基础，当然，要求也不会太深。
- 《机器学习实战》
我认为想要深入的理解传统机器学习《机器学习实战》这本书是很有必要看的，这本书几乎涵盖了传统机器学习的所有算法，而且对于每个算法都是从浅入深，结合代码一步一步实现，而且对每一步的含义解释也非常清楚，而且会结合实例从头至尾实现一遍，能够让人对机器学习深入的原理有更加清晰的认识。
深度学习
- 《机器学习训练秘籍》吴恩达
吴恩达自然不必多介绍，人工智能大牛，而且他的两门在线课程非常有名气，也是很多入门的首选。吴恩达推出的《机器学习训练秘籍》比较偏重策略，因为，我们知道，在深度学习过程中，工作时间一大部分被数据准备和处理占据，而另一大部分时间被模型调优占据，怎么处理方差和偏差？怎么通过处理数据集加速迭代？怎么优化指标和满意度指标？等等，我们都可以在这本书中找到答案。
- 《Deep Learning with Python》
keras之父在深度学习领域的力作，该书自出本以来就备受好评，书中涉及CNN、RNN、GAN等深度学习中常用的网络模型，学习过程中不仅能够学习keras这个高级深度学习框架，还能学习深度学习各个方向的模型和知识。
- 《Python Machine Learning》
本书使用传统机器学习框架scikit-learn和深度学习框架tensorflow进行讲解，内容涉及传统机器学习和深度学习，内容简单而不枯燥，而且知识涉及范围非常全面。
- 《Hands-On Machine Learning with Scikit-Learn & TensorFlow》
这本书最大的特色从理论上讲就是言简意赅，全书基本上没有太多复杂的数学公式推导，语言通俗易懂，很容易看得懂、看得下去。全书共分为两大部分，第一部分介绍机器学习基础算法，每章都配备 Scikit-Learn 实操项目；第二部分介绍神经网络与深度学习，每章配备 TensorFlow 实操项目。附录部分内容也非常丰富。正本书兼顾理论与实战，是一本非常适合入门和实战的机器学习书籍。
- 《Deep Learning》
这本书我在另外一篇文中已经有过介绍，Goodfellow和Bengio两位深度学习领域的大牛所作，本书首先介绍了简单的数学和机器学习知识，而且深入了讲解了深度学习领域的技术，例如正则化等，还涉及了一些前言的深度学习研究方向，比如小批量学习、增量学习等。
以上每一本书籍都可谓是机器学习领域的名著，也非常权威，很值得好好学习一下，我把这8本书籍的中英文电子版和书中教程、示例相关的源码放在了共享链接，感兴趣的可以关注微信公众号"平凡而诗意"，回复ml获取。
閱讀更多 Lee先森的技術站 的文章
