《Pattern Recognition and Machine Learning》
推荐理由：这本书是我机器学习入门的教材，作者Christpher M.Bishop是微软Technical Fellow以及Directorof the Microsoft Research Lab的负责人，整本书700多页，基于贝叶斯的理论框架对机器学习多个重要方向都做了系统的介绍；
目前这本书汇集的周边资源比较丰富，从习题答案到具体代码实现，甚至美国一些名校的课件都有提供。
PRML是我书架上翻阅最多的书籍之一，适合多次通读，里面对ML问题本质的阐述很清晰、干净，用优美去形容并不为过；
这本书不仅适合入门，而且对于从事ML领域研究和应用都有很多启发。
《Convex Optimization》
推荐理由：很多机器学习问题最后都会归结为一个优化问题，读博时我们学校的最优化理论分为A和B，其中A更偏理论，采用袁亚湘老师编纂的最优化理论，学起来非常吃力，虽然最后考试成绩不错，但我当时一直有一个问题萦绕在脑海中，这东西怎么用？
刚工作时被分到机器学习模型组搞点击率预估模型，我要自己手写实现百亿样本量级的浅层模型求解算法。
当我一头雾水不知如何下手时，我的mentor就给我推荐了这本书。
作者Boyd是BFGS算法的提出者之一，功力十分深厚，这本书简直就是为工程师定制的，从问题定义到求解，每读完一章就可以顺利的写出matlab或者python code实现。
这本书我配合视频教程使用，包括习题我读了7个多月，收获巨大。
现在将这本书也推荐给大家，机器学习中用到的优化算法套路全在里面了，是每一个想超脱调参、调包的工程师必备通关秘籍。
《Deep Learning Fundamentals: An Introduction for Beginners》
推荐理由：本书比较适合初学者，对一些基本概念、基本数学知识解释的比较清晰易懂，并且提供了一步一步的示例去构建自己的深度学习模型。
《Optimization in Operations Research》
推荐理由：这本书虽然和机器学习没什么关系，主要是讲优化相关的理论，但实际上很多统计学习的理论就是建立在这些优化论的基础之上的。
了解这些优化知识对更好地理解机器学习的模型、原理是比较有帮助的。
这本书比较适合初学者，对一些问题和算法的原理解释的比较透测、易懂，可以作为教材使用。
《Artificial Intelligence: A Modern Approach》
推荐理由：这本书全面地介绍了AI的各个领域，是我看过的对于AI介绍最全面的教材，同时该书在介绍各个领域时也有相当的深度，而且讲述清楚，逻辑严密，自成体系。
既适合做AI教材，也适合作为关于AI的百科全书式的参考书。
《Deep Learning in Natural Language Processing》
推荐理由：本书适合有一定基础的读者学习。本书由语音识别泰斗邓力老师和自然语言处理大牛刘洋老师合著，系统介绍深度学习在NLP常见问题中的应用，是目前对于此方面研究最新、最全面的综述。
基于这些分析，对NLP未来发展的研究方向进行了探讨，包括神经符号整合框架、基于记忆的模型、先验知识融合以及深度学习范式等。2018最新力作，关注深度学习和自然领域处理的小伙伴不容错过。
《机器学习》
推荐理由：该书是中国顶级机器学习专家周志华所著，书中大量以西瓜举例，因此也被亲切地称为西瓜书。
本书从内容上看，适合对机器学习处于不同阶段的学习者，前3章介绍了机器学习的基础知识，4-9章介绍了常用的机器学习方法和模型，这部分非常适合有一定计算机背景的本科生；10-16章介绍了机器学习的进阶知识，适合研究生阅读。
周老师拥有二十几年的深厚学术功底，撰写本书却并没有掉书袋，文字通俗易懂，读起来深入浅出，书中插入了很多故事样例来说明，尤为难得。另外从图书的编排制作上来看，本书是方形的，每页旁边的留白适合做笔记。相比于机器学习领域的经典图书《Machine Learning》，本书没有罗列大量艰深晦涩的公式推导，让人读起来流畅通顺，如沐春风。本书全中文撰写，非常适合中国读者。
用书中的话来做一个总结，西瓜书是一本“写给中国人看的机器学习教材”。
未来的社会是智能的社会，布局好当下的学习，才能在未来游刃有余。
