机器学习是计算机科学与人工智能的重要分支领域，认真看了周志华编写的机器学习入门教材《机器学习》，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能对机器学习有所了解, 试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免。认真看了前面9章，基本上对算法原理，优点缺点，适用条件讲得非常清楚，详略得当。
书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.
《机器学习》PDF，周志华著，443页，带书签目录，文字可复制；配套机器学习笔记；配套《机器学习》课件；配套《机器学习》习题部分解答及代码。
下载: https://pan.baidu.com/s/1hy7iL8oO3Z0CSG36dOfZqg
提取码: y36q
《机器学习》共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.
《模式识别与机器学习》内容选取得当。书中所介绍的所有模型以及算法，放到今天，依然是理解学习ML最最基本的组成部分，这些内容，对于读者了解更高级的算法，几乎都是必不可少的。这本书并没有试图涵盖当时所有的机器学习算法，而是精选了ML里面最本质最fundamental的方法，由此可以看出，作者对于这个领域的驾驭能力还是非常高的，准确的预见到了那些非常有生命力的模型，所以，如果你是一名ML的初学者的话，读这本书，即使过了十年，但是依然不会过时。
《模式识别与机器学习》中文翻译版:，476页，带书签目录，文字可以复制。英文PDF，758页，带书签目录，文字可以复制。
《PRML习题答案》完整版PDF，254页，带书签目录，文字可以复制。配套《PRML源代码》。 配套《PRML学习笔记》。 配套《PRML勘误》。
下载: https://pan.baidu.com/s/1vniJ562spBKkMuyAVvT2mw
提取码: abwf
《模式识别与机器学习》主要内容：
第1章的导论。第2章的概率分布，写的非常好，尽管只有几个简单的分布，但是对共轭先验的概念以及指数分布族介绍的很清楚，这一章是本书的基础。第3章以及第4章的线性分类和回归一个非常好的方面就是都是采用Bayesisan的观点来看，应该是理解Baysian思想的基础。第5章 神经网络，深度学习基础。第6章 Guassian Process，一种非参数的Bayessian方法，统计学领域研究热门。第7章 SVM。第8章 是现代基于图模型的基础，需要仔细阅读，这一章概念介绍的非常清楚，很多的machine learning 和computer vision 的paper现在采用的图模型的表示都可以从这里得到解释。第9章 EM 算法，从最简单的K-mean出发，推导高斯混合模型，再到EM算法的推广，每一节都是精品。第10章 近似推断，第一节的近似推断的基本原理以及第二节的一个例子。采用mean-field 、 变分的方法。第11章采样，写的很精彩。第8章到第11章，学习最基本的Topic model：LDA 第12章是PCA及一些改进，用到的时候再看也来得及。第13章是HMM 模型和LDS，这两个的图模型是一样的。建议好好学习一下HMM，应该还有其他的资料供参考。第14章是整合。
人工智能技术正以一种超快的速度深刻地改变着我们的生活，引导了第四次工业革命。美团作为国内O2O领域领 先的服务平台，结合自身的业务场景和数据，积极进行了人工智能领域的应用探索。在美团的搜索、推荐、计算广告、风控、图像处理等领域，相关的人工智能技术得到广泛的应用。本书包括通用流程、数据挖掘、搜索和推荐、计算广告、深度学习以及算法工程6大部分内容，全面介绍了美团在多个重要方面对机器学习的应用。
《美团机器学习实践》应该基本把美团机器学习模型/系统/应用都讲了，干货比较多，推荐！看起来模型的演进是：先是FTRL做简单的分类，大量排序场景用了分布式的LambdaMart，尝试了Deep&Wide，现在广告/搜索/推荐在Gringer（自己搭建的分布式机器学习平台）上跑微创新的深度学习模型ClickNet（主要是CTR预估）。ClickNet看起来比较类似凤巢的CTR模型结构。
《美团机器学习实践》高清PDF，318页，带书签目录，文字可以复制。配有第1章至第17章的思维导图，有助于学习记忆。
下载: https://pan.baidu.com/s/1NC2aov1iszDQPEr09OyVCQ
提取码: 841h
《白话大数据与机器学习》结合大量案例与漫画，将高度抽象的数学、算法与应用，与现实生活中的案例和事件一一做了关联，将源自生活的抽象还原出来，帮助理解后，又将这些抽象的规律与算法应用于实践，贴合需求。同时，本书不是割裂讲解大数据与机器学习的算法和应用，还讲解了其生态环境与关联内容，让读者更全面地知晓渊源与未来，是系统学习大数据与机器学习的不二之选：
《白话大数据与机器学习》PDF，345页，带目录和书签.《图解机器学习》PDF，242页，带目录和书签.
下载: https://pan.baidu.com/s/1tWv89Hi2z1ICX33zIeOsrA
提取码: hd5s
解读数据、信息、算法，以及与大数据应用的关系；关联分析、用户画像、推荐算法、文本挖掘、人工神经网络等最实用、最需要了解的应用的原理与实现。
《图解机器学习》用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。介绍了机器学习领域的概况；介绍了各种有监督的回归算法和分类算法；介绍了各种无监督学习算法；分介绍了机器学习领域中的新兴算法。大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。
神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。在众多神经网络著作中，影响最为广泛的是Simon Haykin的《神经网络原理》（第3版更名为《神经网络与机器学习》）。结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面、系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一起。
《神经网络与机器学习（第3版）》中文和英文两版对比学习， 带目录书签。
下载: https://pan.baidu.com/s/1s3M9o5kV-sckvOOHcQ_HCg
提取码: qe6r
注重对数学分析方法和理论的探讨，而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。本书的可读性非常强，对神经网络的基本模型和主要学习理论进行了深入探讨和分析，通过大量的试验报告、例题和习题来帮助更好地学习神经网络。
个人认为《机器学习实战:基于Scikit-Learn和TensorFlow》最精华的部分在于Appendix B 机器学习项目清单，基本上工业界做一套Machine Learning解决方案顺着这个checklist问一遍自己就够了，需要Presentation的场合按照这个结构来组织也非常合适。
《机器学习实战:基于Scikit-Learn和TensorFlow》中文PDF，475页，带目录，文字可复制；英文PDF，564页，带目录，文字可复制；配套源代码；
下载: https://pan.baidu.com/s/14G_0aeMh8qiq4TtIvpefWw
提取码: b46k
主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
目前读到第5章，对于小白来说虽然略难但是受益匪浅啊，至于书的质量前面褒扬的话绝对不为过，说说我的自虐历程，到第二章实例分析的时候开始跟着测试代码 ，到现在很多以前不懂的算法和语法都豁然开朗了。
tensorflow的官方文档写的比较乱，《机器学习实战:基于Scikit-Learn和TensorFlow》恰好拯救了一批想入门tf，又看不进去官方文档的人。行文非常棒，例子丰富，有助于工程实践。提到了一些理论，简单形象；但是，理论不是此书的重点，也不应是此书的重点。对于机器学习小白十分友好，读完了也就差不多入门了。