本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)

機器學習從只適用于研發(fā)人員的工具變成了被廣泛采納使用的方法，多虧了開源機器學習和深度學習框架的爆炸性發(fā)展。現(xiàn)如今，機器學習領(lǐng)域比以往任何時候都更容易上手。同時，這也助力了我們目前所經(jīng)歷的科技的瘋狂發(fā)展。

弄清算法是如何真正工作的，可以幫助你在設計、開發(fā)和調(diào)試機器學習系統(tǒng)方面獲得巨大優(yōu)勢。很多人提到數(shù)學就打哆嗦，機器學習恰巧涉及很多數(shù)學知識，這項任務可能會令很多人怯步。

然而，數(shù)學并不該成為人們在機器學習領(lǐng)域的“絆腳石”。相反，學好數(shù)學對于掌握機器學習非常有必要。從高層次上講，機器學習中涉及四大數(shù)學支柱：線性代數(shù)、概率論、多元微積分、最優(yōu)化理論。

為這些核心理論構(gòu)建牢固基礎，了解最先進的機器學習算法(例如卷積網(wǎng)絡、生成式對抗網(wǎng)絡等)的內(nèi)部工作原理，我們需要為此付出時間，這并不是用一個下午能搞定的事情。

但鑒于你不斷為此付出時間，也能夠在短時間內(nèi)便學到不少知識。在本文中，我選擇了五本對我最有幫助的書籍，希望對你也會有幫助。

1. 《線性代數(shù)應該這樣學》——謝爾頓·阿克斯勒

如果以“傳統(tǒng)”方式講授線性代數(shù)(先學習行列式和矩陣，再學習向量空間)，對初學者而言太難了，線性代數(shù)將成為一門美麗卻艱難的學科。

當我們把教學順序調(diào)換一下，這門課程會變得十分直觀和清晰。本書以非常友好和有見地的方式介紹了線性代數(shù)。多希望我最初是通過這本書學習的線性代數(shù)而不是老方法。

2. 《與深度學習神交》——安德魯·特拉斯克

這本書是這個清單中我最喜歡的一本。如果你只有閱讀一本書的時間，一定不要錯過這本。

本書包含了對神經(jīng)網(wǎng)絡內(nèi)部工作原理的完整實操介紹，選取了代碼片段作為所有素材。盡管這本書并非專門針對高等數(shù)學，但讀過這本書后，你對深度學習數(shù)學知識的了解將多于95%的數(shù)據(jù)科學家、機器學習工程師和其他開發(fā)人員。

你還可以從頭開始構(gòu)建神經(jīng)網(wǎng)絡，這或許是最佳的練習方法。當用機器學習開始構(gòu)建神經(jīng)網(wǎng)絡時，我也曾使用NumPy從零開始構(gòu)建了卷積網(wǎng)絡。

3. 《概率論：給滿腔熱忱的初學者》——大衛(wèi)·莫林

大多數(shù)有關(guān)機器學習的書籍都沒有正確地介紹概率論，而是充滿了令人困惑的符號，且經(jīng)?；煜芏群瘮?shù)和離散分布。讀者如果沒有扎實的概率論背景知識是很難理解的。

而本書將為你帶來對概率論詳細、正確且簡單清晰的介紹。這適用于之前對概率論沒有任何了解的學習者。

4. 《多變量微積分》——丹尼斯·奧魯 (來自麻省理工學院開放式課程)

這并不是一本書，而是麻省理工學院一門有關(guān)多變量微積分并可對公眾開放的大學錄制課。在我所知道的所有資源中，這門課程是迄今為止對該主題的最佳介紹。

對于有單變量微積分背景知識的聽課者來說，這門課程能夠錦上添花，即便沒有，聽課者也能夠輕松跟上。它唯一的缺點是沒能很好地介紹到的知識點是梯度下降算法，而這是神經(jīng)網(wǎng)絡的基礎。

5. 《深度學習》——伊恩·古德費洛、約舒亞·本吉奧與亞倫·庫維爾

這本書由機器學習領(lǐng)域中一些最有才華的人撰寫而成，包含了上述的所有理論，是深度學習研究人員和開發(fā)人員的首選資源。該書綜合了數(shù)學理論并使用了重型機器，為諸如卷積和遞歸網(wǎng)絡、自動編碼器等最新深度學習方法提供了可靠指導。

最棒的一點是大家可以在線上免費閱讀這本書(https://www.deeplearningbook.org/)。

在我羅列出的所有書目中，這本書可能是最難以理解的。理解深度學習需要從概率論的角度看待算法實在有些困難。

[[331284]]

圖源：unsplash

攻克這些書目肯定算不上輕松，或許會花費不少時間，但相信我，你一定會有所收獲。積累知識是最好的投資。這些知識將為你構(gòu)建機器學習系統(tǒng)帶來巨大優(yōu)勢，更不用說機器學習背后的理論本身就是十分美好而迷人的。