机器学习和数据科学领域必读的10本免费书籍

在这个暑假，有兴趣的可以阅读一下这些免费的有关机器学习和数据科学的书籍，他们能给你打开一扇看清机器学习和数据科学的窗。

1. Python Data Science Handbook

作者：Jake VanderPlas

本书介绍了在Python中处理数据所必需的核心库，特别是IPython，NumPy，Pandas，Matplotlib，Scikit-Lean和相关的软件包。在此之前您需要掌握Python这种语言，如果您想快速掌握这门语言，可以参阅这个针对研究人员和科学家的Python语言快速入门的“Python的旋风之旅（A Whirlwind Tour of Python）”。

2. Neural Networks and Deep Learning

作者：Michael Nielsen

这是一本免费的在线书籍。通过这本书你会知道神经网络是一个美丽的生物启发式编程范例，使计算机可以从观测数据中学习。而深度学习则是一套强大的神经网络学习技术。

目前，神经网络和深度学习为图像识别、语音识别和自然语言处理（NLP）中的问题提供了很多效果不错的解决方案。通过这本书您将会知道更多神经网络和深度学习背后的核心概念。

3. Think Bayes

作者：Allen B.Downey

这本书主要介绍了如何使用计算方法处理贝叶斯统计。

如果您想使用本书中的技能来学习其他技能，您需要知道如何编程。

贝叶斯统计是根据数学概念（如微积分）提出的，有关它的大多数书籍也都使用的是数学符号。本书使用Python代码而不是数学，因此“积分”变成了“总和”。这是书中的一个特色。

4. Machine Learning & Big Data

作者：Karee Alkaseer

这本书背后的目的是为了让软件工程师在不依赖库的情况下可以轻松使用机器学习模型。大多数情况下，模型或技术背后的概念很简单、直观，但在细节或行话中会丢失。另外，一般情况下，现有的库可以解决手头的问题，但是有时候它们会用自己的方式抽象和隐藏基本概念，这就是它们被称为“黑盒子”的原因。这本书也尝试着将“黑盒子”里被抽象和隐藏的基本概念清晰化。它是一个还在进行中的作品，它的内容将慢慢的丰富。

5. Satistical Learning with Sparsity:The Lasso and Generalizations

作者：Trevor Hastie,Robert Tibshirani,Martin Wainwright

在过去的十年中，计算和信息技术得到了迅猛发展。随着它的应用，在医学、生物学、金融和市场营销等领域中涌现出了大量的数据。本书在一个共同的概念框架下，阐述了这些领域中的一些重要观点。

6. Statistical inference for data science

作者：Brian Caffo

作为数据科学专业的一部分 ，本书是统计推理课程（Statistical Inference）的一本配套书籍。如果你没有上这门课，也可以配着YouTube上有关视频单独学习这本书。

本书旨在以低成本介绍统计推理这一重要领域，使得具有编程能力的学生将这些技能用到数据科学或统计学当中去。

7. Convex Optimization