机器学习的书籍选择有哪些？

现在北京大学的张芝华教授曾经在《中国计算机联合会通讯》2017 [1]上发表过机器学习的发展历程和启示，本文详细推荐了机器学习的学习方法。

机器学习集技术、科学和艺术于一体，它不同于传统的人工智能，是现代人工智能的核心。它涉及统计学、最优化、矩阵分析、理论计算机、编程、分布式计算等等。因此，建议在现有计算机专业本科课程的基础上，加强概率、统计、矩阵分析等课程。以下是对具体课程设置和相关教材的建议:1。加强概率统计基础课程，建议采用Morris H. DeGroot和Mark J. Schervish合著的《概率论与数理统计》第四版。豆瓣链接-概率与统计

2.在线性代数课程中，加强矩阵分析的内容。建议使用教材中吉尔伯特·斯特朗的《线性代数导论》。吉尔伯特·斯特朗(Gilbert Strong)一直在麻省理工学院教授线性代数，他的在线视频课程堪称经典。后来建议设置矩阵计算，采用了Trefethen N. Lloyd和David Bau lll写的教材《数值线性代数》。3.设置机器学习课程。机器学习方面的经典书籍很多，但大多不适合本科生。最近，John D. Kelleher和Brian Mac Namee等人出版了《预测数据分析的机器学习基础》。或者是Andrew R. Webb和Keith D. Copsey合著的《统计模式识别》第三版，更适合作为本科生的教材。同时建议在课程中设置实践环节，让学生尝试将机器学习方法应用于一些具体问题。