全文共2205字，预计学习时长6分钟

图源：unsplash

如今，想在互联网上找到学习数据科学的优质在线资源并非难事。有免费资源，有付费资源，还有专门研究人工智能的大学项目，价格不菲。难点在于，我们应该选择哪一个？本文共列出7本免费电子书，有助于你学习数据科学和机器学习。让我们开始吧！

1.《深度学习》(Deep Learning)

· 作者：Ian Goodfellow、Yoshua Bengio和Aaron Courville

《深度学习》最初出版于2016年，是首批专门研究深度学习的书籍之一。它是由当时处于发展前沿的杰出研究人员编写的，在深度神经网络领域中，该书一直影响非凡、备受重视。

这是一部关于深度学习的著作，全文理论性强。这既不是一本充斥着代码和相应注释的书，也不是关于神经网络的肤浅概述，而是一本基于数学对深度学习进行解释的书籍。

2.《动手学深度学习》（Dive into Deep Learning）

· 作者：Aston Zhang、Zack C. Lipton和Mu Li、Alex J. Smola

《动手学深度学习》是一本交互式深度学习书籍，包含代码、数学以及讨论。它提供了NumPy/MXNet、PyTorch和TensorFlow的应用操作。作者是亚马逊员工，使用亚马逊的MXNet库教授深度学习。该书正在定期更新，务必阅读最新版本。

Zachary Lipton一语中的：“《动手学深度学习》的独特之处在于一直坚持以实践为师的学习方法，整本书都由可运行的代码组成。我们试图将教科书的优势（清晰度和数学）与实践教程的优势（实用技能、参考代码、实现技巧和直觉）结合起来。”

“每章都通过多种形式、文字编排、数学和独立工具（该工具易于使用和修改，以让项目开始运行）来教授重点概念。我们认为这种方法对于教授深度学习至关重要，因为深度学习中的许多核心知识都来自实验（与第一原则相比）。”

3.《机器学习向往》（Machine Learning Yearning）

· 作者：Andrew Ng

该书由斯坦福大学教授、在线教育先驱Andrew Ng所编写，他也是Coursera和deeplearning.ai的联合创始人之一。

《机器学习向往》的重点在于如何让机器学习算法（有效）工作，优先考虑最有前景的人工智能项目方向。该书是有用信息的集成宝典，将帮助你解决实践中的问题，如诊断机器学习系统中的错误，如何应用端到端学习、迁移学习、多任务学习等。

图源：unsplash

4.《可解释的机器学习》（Interpretable Machine Learning）

· 副标题：黑盒模型可解释性理解指南

· 作者：Christoph Molnar

该书使用了一种“按你所愿意的价格支付”的新型定价策略，从技术上来说它并不是免费的。

《可解释机器学习》侧重于表格数据（也称为关系或结构化数据）的机器学习模型，较少关注计算机视觉和自然语言处理任务。笔者推荐机器学习从业者、数据科学家、统计学家以及任何对机器学习模型可解释化感兴趣的人阅读这本书，它详细介绍了如何为机器学习项目选择和应用最佳解释方法。

5.《黑客的贝叶斯方法》（Bayesian Methods for Hackers）

· 作者：Cameron Davidson

《黑客的贝叶斯方法》在技术方面并不是一本关于机器学习的书，它侧重于数据科学的一个重要领域——贝叶斯推断。

本书旨在从计算/理解第一和数学第二的角度介绍贝叶斯推断，适用于较少的数学背景爱好者或仅仅对贝叶斯方法实践感兴趣而对数学无感者，内容丰富，妙趣横生。它也是学习Python中概率编程语言PyMC的优质资源。

6.《Python数据科学手册》（Python Data Science Handbook）

· 作者；Jake VanderPlas

《Python数据科学手册》面向初级数据科学家，展示了如何使用最重要的工具，其中包括IPython、NumPy、Pandas、Matplotlib、Scijit-Learn以及许多其他工具。该书十分适合处理日常问题，如清理、操作和转换数据，或者构建机器学习模型。

7.《统计学习导论》（An Introduction to Statistical Learning）

· 副标题：基于R应用

· 作者：Gareth James、Daniela Witten、Trevor Hastie 和 RobertTibshirani

《统计学习导论》介绍了统计学习方法，适用于非数学背景的高年级本科生、硕士研究生和博士研究生。该书还包含了许多R实验室，详细解释了如何在现实生活中实现各种（统计学习）方法。对实践数据科学家而言，该书是宝贵资源。

图源：unsplash

是的，学习一项新技能并不需要花很多钱，你只需要付出时间和精力。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范