 新智元報道 大多數(shù)人學(xué)習(xí)數(shù)據(jù)科學(xué)的人都會把重點放在編程上，實際上編程能力確實是機器學(xué)習(xí)和數(shù)據(jù)科學(xué)領(lǐng)域的重要技能。但是，要真正精通數(shù)據(jù)科學(xué)和機器學(xué)習(xí)，必然不能忽視的數(shù)據(jù)科學(xué)背后的數(shù)學(xué)基礎(chǔ)。 出于這個目的，本文介紹了七本在注重打好數(shù)據(jù)科學(xué)的數(shù)學(xué)基礎(chǔ)上的技術(shù)讀物。當(dāng)然，涉及到數(shù)學(xué)，往往閱讀體驗可能不會很舒服，但要搞好機器學(xué)習(xí)，數(shù)學(xué)基礎(chǔ)是必須要打牢的，所以努力讀書吧！ 先說一說為什么在數(shù)據(jù)科學(xué)學(xué)習(xí)時打好數(shù)學(xué)基礎(chǔ)。 以下是我總結(jié)的幾個原因： AI領(lǐng)域無時無刻不在迅速變化。Hinton認為，我們也許應(yīng)該重新思考反向傳播。掌握牢固的數(shù)學(xué)知識有助于更好地理解AI的演變。一個數(shù)學(xué)基礎(chǔ)深厚的人，對AI的理解和認識與其他僅從表面認識AI的人有很大的區(qū)別。此外，掌握數(shù)學(xué)知識還能更好地了解AI技術(shù)帶來知識產(chǎn)權(quán)的潛力。最后，了解數(shù)據(jù)科學(xué)背后的數(shù)學(xué)知識，也可以讓人更容易獲得AI和數(shù)據(jù)科學(xué)的高端職位。 此外，作者推薦這幾本書，還有兩點個人原因： 1.作者在牛津大學(xué)教授物聯(lián)網(wǎng)數(shù)據(jù)科學(xué)的課程，也包括一些AI技術(shù)應(yīng)用方面的教學(xué)事務(wù)，在教學(xué)過程中涉及到數(shù)學(xué)基礎(chǔ)知識和課程。 2.其次，作者在寫一本書來簡述人工智能，從數(shù)學(xué)的角度入手，目標(biāo)讀者是14到18歲的少年。要深入了解數(shù)學(xué)科學(xué)和人工智能數(shù)學(xué)的數(shù)學(xué)基礎(chǔ)，你需要了解四個方面知識：線性代數(shù)，概率論，多元微積分和優(yōu)化。目前在高中階段至少會教授這些課程的一部分內(nèi)容。因此，我試圖將高中數(shù)學(xué)與人工智能和數(shù)據(jù)科學(xué)聯(lián)系起來，重點是數(shù)學(xué)建模。 下面進入正題：  （1） The Nature Of Statistical Learning Theory 《統(tǒng)計學(xué)習(xí)理論的本質(zhì)》 作者：Vladimir Vapnik PDF資源： 如果說要列一份關(guān)于數(shù)學(xué)的書單，這本書是繞不過去的。本書單中排名第一的就是俄羅斯著名數(shù)學(xué)家Vladimir Vapnik的《統(tǒng)計學(xué)習(xí)理論的本質(zhì)》。在這份清單中的所有書籍中，Vapnik這本是最不好找的。Vladimir Vapnik是支持向量機（SVM）的創(chuàng)始人。他的維基百科頁面中提供了更多關(guān)于他研究成果的介紹。  （2） Pattern Classification （2007-12-24）《模式分類》 作者：Richard O Duda PDF資源： 就像Vapnik的著作一樣，Duda的著作時另一個時代的另一部經(jīng)典。本書初版于1973年，在二十多年后的2000年才推出第二版，此后一直未再版。時隔近二十年，本書仍然是一個重要資源。本書采用模式識別方法，并涵蓋了廣泛的算法。  （3） Machine Learning: An Algorithmic Perspective,Second Edition (Chapman & Hall/Crc Machine Learning & Pattern Recognition) 《機器學(xué)習(xí)：算法視角》 PDF資源： https://doc./science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning_%20An%20Algorithmic%20Perspective%20%282nd%20ed.%29%20%5BMarsland%202014-10-08%5D.pdf 這本書現(xiàn)在已經(jīng)出版了第二版。此書第一版是我讀過的最早的書關(guān)于機器學(xué)習(xí)和算法的著作之一，第二版增加了更多Python代碼。與前兩本書一樣，本書也非常強調(diào)算法。  （4） The Elements of Statistical Learning: DataMining, Inference, and Prediction, Second Edition 《統(tǒng)計學(xué)習(xí)基礎(chǔ)：數(shù)據(jù)挖掘、推理和預(yù)測》（第二版） 作者：Trevor Hastie，Robert Tibshirani，Jerome Friedman PDF資源：https://web./~hastie/Papers/ESLII.pdf 另一本經(jīng)典之作，可以作為參考書。  （5）Pattern Recognition and Machine Learning (Information Science and Statistics) 《模式識別與機器學(xué)習(xí)（信息科學(xué)與統(tǒng)計）》 作者：Christopher M. Bishop PDF資源：http://users.isr.ist./~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Christopher M.Bishop的模式識別和機器學(xué)習(xí)（信息科學(xué)和統(tǒng)計學(xué)）也是一本深入而精心設(shè)計的參考書。  我喜歡Peter Flach的書，盡管亞馬遜網(wǎng)站上的一些評論說這書寫得太羅嗦，而且代碼量顯得不足。我特別喜歡這本書中的算法分組（邏輯模型，線性模型，概率模型）章節(jié)以及這些主題的整體講述方式。 最后，是我最推薦的一本書: （7） Deep Learning 《深度學(xué)習(xí)》 相關(guān)資源：https://www./ 如果你在找一本值得逐頁讀完的書，就是它了！這本書既詳細，又有現(xiàn)代感，書中內(nèi)容幾乎涵蓋了你能想到的關(guān)于深度學(xué)習(xí)的一切知識。 補充兩本書： A First Course in Machine Learning, Second Edition (Machine Learning & Pattern Recognition) by Simon Rogers, Mark Girolami 作者：Simon Rogers，Mark Girolami Machine Learning: A Probabilistic Perspective 作者：Kevin Murphy 這本書中評價也很高，但我個人沒有讀過（因此沒有收集）。 寫在最后： 除了最后一本《深度學(xué)習(xí)》之外，我建議其他書不必逐頁閱讀，而是將其作為參考書，根據(jù)需要按相應(yīng)主題閱讀相應(yīng)的書籍。這些書教會了我時刻保持謙遜。無論我們現(xiàn)在知道了多少，掌握了多少知識，都總能在閱讀過程中發(fā)現(xiàn)，這個領(lǐng)域原來是如此的龐大和復(fù)雜。 這些書已經(jīng)超越了時間。Vladimir Vapnik現(xiàn)年已經(jīng)81歲。Duda的著作初版于1973年。我預(yù)計50年以后，這個行業(yè)里的人們?nèi)匀粫喿x這些著作。就像與那些經(jīng)歷了時間考驗的老朋友們重逢一樣。多年之后，也許你會發(fā)現(xiàn)，在眼花繚亂的技術(shù)、模型和框架背后，數(shù)學(xué)是永恒的。 原文鏈接：  【加入社群】 |
|
|
