Solutions Review审查了许多机器学习书籍，根据相关性，流行度，评分，发布日期以及增加业务价值的能力，精心挑选了顶级机器学习书籍。 列出的每本书至少有15个亚马逊用户评论，评分为4.0或更高。
您将在下面找到该领域公认的领导者，专家和技术专业人员的图书库。 从数据科学到神经网络，这些出版物甚至可以提供最终端的数据和分析专业人员。
本文会持续更新，有些书籍可能因为版权原因不会对外发布，但是都在讨论qq群144081101 591302926 567351477留有备份。个人建议优先考虑github星级1000以上的书。
Deep Learning with Python François Chollet - 2018.pdf -- 强烈推荐
- 源码 github星级 5000左右
- 页数：386
Deep Learning with Python使用Python语言和强大的Keras库引入深度学习。 本书由Keras作者，Google AI研究员FrançoisChollet撰写，通过直观的解释和实际例子帮助您的理解，涉及计算机视觉，自然语言处理和生成模型。
中文版(文字版)可以在qq群144081101等找到。
Hands-On Machine Learning with Scikit-Learn and TensorFlow - 2017.pdf
通过使用具体的例子，最小的理论和两个可用于生产的Python框架 - scikit-learn和TensorFlow，作者AurélienGéron帮助您直观地理解构建智能系统的概念和工具。 您将学习一系列技术，从简单的线性回归开始，逐步深入到神经网络。 通过每一章的练习来帮助您应用所学的知识，有编程经验就能上手。
- 源码地址 github星级 10000左右
- 页数： 564
Machine Learning For Absolute Beginners, 2nd Edition-Oliver Theobald(2017).pdf
Machine Learning for Absolute Beginners Second Edition为完全初学者编写和设计的。简单的英语解释，无需编码经验。 在引入核心算法的地方，添加了清晰的解释和可视化示例，以便在家中轻松实现。新版本包含了第一版中未涉及的许多主题，包括交叉验证，数据清理和集合建模。
- 源码地址：后期找到补上 github星级
- 页数： 128
深度学习(deep learning) - 2017.pdf
提供了数学和概念背景，涵盖了线性代数，概率论和信息论，数值计算和机器学习中的相关概念。 它描述了工业从业者使用的深度学习技术，包括深度前馈网络，正则化，优化算法，卷积网络，序列建模和实用方法; 分析了自然语言处理，语音识别，计算机视觉和在线推荐系统等应用。
- 源码地址：暂无 github星级 20000左右
- 页数： 738 中文书 本书没有英文电子版本，但是有中文的
Python机器学习基础教程
Introduction to Machine Learning with Python - 2017.pdf
如果您使用Python，即使是初学者，本书也将用务实的方法教您构建自己的机器学习解决方案。 您将学习使用Python和scikit-learn库创建成功的机器学习。 作者AndreasMüller和Sarah Guido专注于使用机器学习算法的应用，而不是背后的数学。 熟悉NumPy和matplotlib库将帮助您从本书中获得更多信息。
- 源码 github星级 3000左右
- 页数： 392 另有中文电子版本 因为版权已经在CSDN等网站下架，可以在qq群144081101等找到。
使用TensorFlow进行机器学习
Machine Learning with TensorFlow - 2017.pdf
使用TensorFlow进行机器学习为读者提供了机器学习概念的坚实基础，以及使用Python编写TensorFlow的实践经验。 您将通过使用经典预测，分类和聚类算法来学习基础知识。 然后，您将进入金钱章节：探索深度学习概念，如自动编码器，循环神经网络和强化学习。 摘要本书，您将准备好使用TensorFlow进行自己的机器学习和深度学习应用。“
- 源码 github星级 4000左右
- 页数： 244
Deep Learning with Keras - 2017.pdf
本书首先介绍了监督学习算法，如简单线性回归，经典多层感知器和更复杂的深度卷积网络。您还将探索图像处理，识别手写数字图像，将图像分类为不同类别，以及使用相关图像注释进行高级对象识别。还提供了用于面部检测的突出点的识别的示例。接下来，您将了解Recurrent Networks，它针对处理序列数据（如文本，音频或时间序列）进行了优化。接下来，您将学习无监督学习算法，如自动编码器和非常流行的生成对抗网络（GAN）。您还将探索神经网络的非传统用途的样式转移。
最后，您将了解强化学习及其在人工智能游戏中的应用，这是神经网络研究和应用的另一个流行方向。
- 源码 github星级 500左右
- 页数： 310
Machine Learning: The Ultimite Beginners Guide For Neural Networks, Algorithms, Random Forests and Decision Trees Made Simple
当今世界机器学习的用途是巨大的，并且不断扩大。 该技术有望彻底改变人们每天与机器交互的方式。 了解这些程序和流程的功能如何帮助您了解这项新技术。 如果您不熟悉机器学习，您会惊讶地发现除了语音识别等广为人知的方面之外，还可以使用多种方式。 这本书可以成为你迈向更大世界的第一步。
Advances in Financial Machine Learning - 2018.pdf
读者将学习如何以适合ML算法的方式构建大数据; 如何利用ML算法对该数据进行研究; 如何使用超级计算方法; 如何测试发现问题，同时避免误报。 本书解决了从业者每天面临的现实问题，并通过代码和示例支持使用数学解释科学合理的解决方案。 读者可以在特定环境中测试建议的解决方案。
- 页数： 393
TensorFlow学习指南:深度学习系统构建详解
本书主要介绍如何使用 TensorFlow 框架进行深度学习系统的构建。从基础知识入手，将使用TensorFlow 的各种方式贯穿于整本书的讲解之中，并结合实际的深度学习任务展示终深度学习系统的效果。本书涉及卷积神经网络、循环神经网络等核心的技术，并介绍了用于图像数据和文本序列数据的模型。在后半部分，本书介绍了更加高级的使用 TensorFlow 的技巧，并给出了分布式深度学习系统在TensorFlow 下的构建过程以及如何将训练后的模型导出和部署的方法。通过学习本书，你将能够使用 TensorFlow 完成从简单到高级应用系统构建的技术。
本书适合计算机相关专业的学生、软件工程师、深度学习开发者、架构师、CTO 等技术人员阅读
- 源码 github星级 200左右
- 页数：242
Learning TensorFlow - 2017.pdf
The Elements of Statistical Learning 2nd - 2015.pdf
本书在共同的概念框架中描述了医学，生物学，金融学和市场营销等各个领域的重要思想。 重点是概念而不是数学。 通过自由使用彩色图形给出了许多例子。 新版本新增图形模型，随机森林，集合方法，套索的最小角度回归和路径算法，非负矩阵因子分解和谱聚类等。
- 页数：758
Python Machine Learning(2nd) - 2017.pdf
本书提供了创建和促进机器学习所需的实用知识和技术， 深度学习和现代数据分析。
- 源码 github星级 200左右
- 页数：850
Fundamentals of Machine Learning for Predictive Data Analytics - 2015.pdf
这本入门教材提供了对预测数据分析中最重要的机器学习方法的详细和集中处理，涵盖了理论概念和实际应用。 本书通过作者多年的机器学习教学和预测数据分析项目的研究，适合计算机科学，工程，数学或统计学的本科生使用; 应用于预测数据分析的学科研究生; 并作为专业人士的参考。
- 页数：599
Make Your Own Neural Network - 2016.pdf
Make Your Own Neural Network - 2016.pdf
本书首先从简单的思路着手，详细介绍了理解神经网络如何工作所必须的基础知识。第一部分介绍基本的思路，包括神经网络底层的数学知识，第2部分是实践，介绍了学习Python编程的流行和轻松的方法，从而逐渐使用该语言构建神经网络，以能够识别人类手写的字母，特别是让其像专家所开发的网络那样地工作。第3部分是扩展，介绍如何将神经网络的性能提升到工业应用的层级，甚至让其在Raspberry Pi上工作。
- 源码 github星级 900左右
- 页数：222
OReilly Thoughtful Machine Learning with Python A Test-Driven Approach - 2017.pdf
通过教您如何使用测试驱动的方法对机器学习算法进行编码，这本实用的书籍可以帮助您获得在商业环境中有效使用机器学习所需的信心。 您将学习如何使用各种测试在粒度级别剖析算法，并发现用于测试机器学习代码的框架。 作者提供了真实的示例来演示有效使用机器学习代码的结果。基于sklearn。
- 源码 github星级 200多
- 页数：216
Python机器学习实践-测试驱动的开发方法 - 2018.pdf
深度学习基础
《深度学习基础(影印版)(英文)》内容简介：Google、微软和Facebook等公司正在积极发展内部的深度学习团队。对于我们而言，深度学习仍然是一门非常复杂和难以掌握的课题。如果你熟悉Python，并且具有微积分背景，以及对于机器学习的基本理解，《深度学习基础(影印版)(英文)》将帮助你开启深度学习之旅
Fundamentals of Deep Learning - 2017.pdf
- 源码 github星级 500左右
- 页数：298
TensorFlow for Deep Learning - 2018.pdf
通过TensorFlow学习如何解决具有挑战性的机器学习问题，TensorFlow是Google革命性的深度学习新软件库。 如果你有基本线性代数和微积分的背景知识，这本实用的书介绍了如何设计能够检测图像中的对象，理解文本，分析视频和预测潜在药物特性的系统的机器学习基础知识。
TensorFlow for Deep Learning通过实际示例教授概念，并帮助您从头开始构建深度学习基础知识。 它非常适合具有设计软件系统经验的开发人员，对熟悉脚本的科学家和其他专业人员非常有用，但不一定非常适合设计学习算法。
- 源码 github星级 200左右
- 页数：301
Deep Learning for Beginners Concepts, Techniques and Tools - 2017.pdf
Neural Networks and Deep Learning.pdf
一本通俗解释深度学习的书，简单地说，你的奶奶都可以在本书的帮助下理解深度学习！
神经网络和深度学习：让你逐步了解神经网络和深度学习的基础知识，对于那些想要了解这个主题但不一定想深入了解所有数学背景的人来说，这本书是一本很棒的书。
因此，在简要介绍机器学习之后，你将学习有监督学习和无监督的学习，然后研究诸如神经元、激活函数和不同类型的网络体系结构等。
最后，你将学习深度学习的实际工作原理，深度神经网络的主要类型（包括卷积神经网络），如何给神经网络提供记忆，还讨论了可用的各种框架和库。
Python机器学习经典实例
Python Machine Learning Cookbook(2016).pdf
在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极-端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。 本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益
- 源码 github星级 200左右
- 页数：295 另有中文电子版本 因为版权已经在CSDN等网站下架，可以在qq群144081101等找到。
Python Machine Learning(2nd) - 2017.pdf
- 源码 github星级 100多
- 页数：850
Artificial Intelligence for Robotics - 2018.pdf
https://github.com/PacktPublishing/Artificial-Intelligence-for-Robotics github星级 不到100
页数 485
参考资料
- 讨论qq群144081101 591302926 567351477 钉钉免费群21745728
- 本文相关书籍下载
Top 25 Best Machine Learning Books You Should Read
