要成為一名有效的機器學習科學家，需要獲得許多知識和經驗。要開始使用機器學習和AI，學習一些在線課程和入門書籍可能就足夠了。但是，為了變得更好，你將需要學習的可能更多。
有關AI最新技術的大多數信息都包含在頂級會議（例如ICML，NeurIPS或ICLR）以及arXiv上發表的論文中。這些論文中的大多數都需要在各自領域中有深入的知識，並且通常需要相當深的數學理解才能閱讀它們。而且，整個領域都以驚人的速度不斷發展。因此，不僅必須能夠閱讀這些論文，而且還必須快速閱讀它們並提取最重要的文章，以便能夠確定其中包含的信息和知識對你是否有用。
在這篇文章中，我收集了10本書，我會推薦給任何想對最新技術以及數學和編程經驗有更多了解的人。通常，這些書與任何想在該領域工作的人有關。
人工智慧的數學基礎
統計學習導論
作者：Trevor Hastie
毫無疑問，對於任何數據科學家來說，良好的統計學基礎都至關重要。本書對統計學習中最重要的概念進行了全面而紮實的解釋。同時，並不需要成為數學專家即可掌握這些概念。作者涵蓋了有監督的學習和無監督的學習，包括SVM，神經網絡和決策樹，隨機森林，LASSO回歸等等。對我而言，這是任何標準ML算法的首選參考。
線性代數應該這樣學
作者: Sheldon Axler
本書是一本有關線性代數的書，它確實深入探討了線性代數的數學基礎。它假定讀者已經理解了基本概念，而是以更理論性的方式介紹了該主題。為了理解深度學習領域的大多數論文，雖然絕對不必對線性代數有足夠的了解，但我發現它通常不僅對學者有幫助，而且對實際研究都非常有幫助。
概率論教程
作者：：Achim Klenke
這是全面而嚴格的關於概率論的書。當我說嚴謹的時候，我是說真的：它的意思是給已經對概率論有一定經驗的人們。在所有有關概率的數學課程中，它都打開了有關測度理論的章節。但是，僅涵蓋最相關的量度理論概念。之後，本書深入探討獨立性，條件概率，mar，馬爾可夫鏈，隨機過程和隨機積分的概念。因為這是一本主要供數學家使用的書，所以所有內容都得到了正確證明（儘管還保留了一些證明作為練習！），因此您必須花些時間來了解這些定理。但是，該書還提供了許多示例和數據，以使您更好地理解。我將它推薦給想要從數學角度理解概率的任何人。
人工智慧一種現代的方法（第3版）
作者：Stuart Russell和Peter Norvig
它非常清楚簡潔，可以很好地概述該領域，幾乎不需要數學背景。本書還涵蓋了許多內容：它從談論智能代理，搜索算法和約束滿足開始，接著是對邏輯的易於閱讀的介紹，並以學習，概率推理，NLP和機器人技術。這最後幾章只是在第三本書中才添加到書中，我覺得其中包含的信息與其餘內容並沒有真正協調。但是，我可以全心全意地將本書的其餘部分推薦給任何想擴展AI視野的人。
深度學習
作者：Ian Goodfellow
到目前為止，這本書已成為深度學習的標準書，涵蓋了基礎知識的主題，例如線性代數和概率與前饋網絡的介紹，以及更高級的主題，例如CNN，RNN，正則化和自動編碼器。還包括圖形模型和蒙特卡洛方法的概述。
如果你剛剛完成了一些基礎機器學習課程，並且想要對深度學習有更深入的介紹，那麼我推薦這本書。
機器學習：概率視角
作者：Kevin P. Murphy
如果你進行了一些的機器學習課程，那麼可能已向你推薦過了這本書。這本書閱讀有難度，它涵蓋了優化，概率，支持向量機，高斯模型，貝葉斯和貝葉斯統計，線性和邏輯回歸，圖形模型，期望最大化，高斯過程，變分和蒙特卡洛（Monte Carlo）推理，聚類和深度學習都在一本書中。本書的主題以及標題中出現「概率」的原因是作者傾向於貝葉斯方法。如果你認為線性回歸很容易，請閱讀有關貝葉斯線性回歸的章節。這本書為讀者提供了過去幾十年來針對該主題所做的所有研究的參考。
神經網絡與深度學習
作者：Charu Aggarwal
這是一本相對較新的有關深度學習的書。我挑選它只是為了找出其中是否包含我尚未在其他地方閱讀過的任何信息，因為我已經讀過該作者的另一本書（《機器學習文本》）。前幾章特別令我耳目一新，使我重新思考了ML的整個領域。在這些章節中，Aggarwal博士建立了SVM，回歸，SVD和其他經典ML算法之間的聯繫，並解釋說這些實際上只是神經網絡的特殊情況。很有意思！本書的其餘部分專門介紹了神經網絡的基礎，詳細解釋了反向傳播，正則化，CNN，RNN和自動編碼器，同時還簡要介紹了諸如注意機制之類的最新技術。
強化學習
作者：Richard S. Sutton
我認為，從事ML的每個人至少應該知道什麼是強化學習，因為目前看來，這是我們向通用AI邁進的最大希望。關於這本書的最好的事情是它的簡潔和清晰。在閱讀本書時，我從未感到作者遺漏了一些可以幫助我更好地理解該主題的東西。儘管它在某些部分確實變得很數學，但是涉及更多的內容總是標有此類內容，並且可以根據需要跳過它（儘管我建議繼續學習）
統計中的因果推論
作者：朱迪亞·珀爾（Judea Pearl）
雖然由於本書涉及的主題有限，將本書包括在我的清單中可能會使我感到奇怪，但我覺得它在這裡值得一提，主要是因為因果推理迅速成為AI的主要話題，並且Judea Pearl是AI的主要研究者和發明者因果推理理論（包括他的許多其他成就）。在這本書中，您將發現什麼是因果推論，當然您還將學到所有因果關係與相關性。它是因果關係領域的簡介，因此為讀者提供了概念，而不是詳盡的細節。它還包含許多示例和發人深省的問題，以激發人們對這個主題進行更深入的思考。對反事實的討論對我來說尤其有趣和令人耳目一新。
流暢的Python
作者：Luciano Ramalho
恕我直言，每個深度學習科學家或數據科學家都需要能夠編寫清晰簡潔的Python代碼。儘管設計大型代碼體系結構通常不是我們工作的主要部分，但編寫易於理解的算法卻是。這本書確實可以幫助您發展Python技能。在閱讀本書時，我發現了很多我以前不知道的Python功能。我幾乎每天都會使用的一種是元類的概念。此外，我在其他任何地方都沒有找到關於Python數據模型的清晰描述。如果你希望你的同事和GitHub關注者對你編寫的精美代碼感到敬畏，請選擇本書！
結論
有太多的資源可用於學習AI和機器學習，因此比以往任何時候都更容易獲得有關該主題的深入知識。我提供的這些只是這一領域內容質量較高的一部分書籍推薦。也希望這份清單能為你提供一定的幫助和指導，並讓你對人工智慧領域有進一步的了解。