机器学习 (ML) 是一种 AI（人工智能），它可以让软件应用程序更加精确地预测结果，而无需专门进行编程。机器学习算法利用历史数据作为输入来预测最新的输出值。

推荐引擎是 ML 的标准用例。其他常见用途包括恶意软件威胁检测、垃圾邮件过滤、欺诈检测、预测性维护、异常检测和业务流程自动化 (BPA)。

机器学习对于公司来说非常重要，因为它提供了客户行为和业务运营模式趋势的视图，同时支持最新产品的开发。当今的多个领先组织，例如 Uber、Google 和 Facebook，都将机器学习作为其运营不可或缺的一部分。机器学习已发展成为许多公司的重要竞争优势。

机器学习方法

• 监督机器学习算法：这些算法可以借助标记示例将过去理解的内容应用于新数据，以预测未来事件。从已知训练数据集的研究开始，学习算法提供隐含函数来预测输出值。经过充分培训后，系统可以为任何新输入提供目标。学习算法还可以将其输出与准确的计算输出进行比较，并寻找缺陷以相应地调整模型。
• 无监督机器学习算法：当用于训练的数据既没有分类也没有标记时，就会使用这些算法。无监督学习分析如何在系统中推断函数，以根据未标记的数据定义隐藏结构。该系统不会测量正确的输出，但它会分析数据并可以从数据集中推断出假设，从而从未标记的数据中定义隐藏结构。
• 半监督机器学习算法：这些算法属于监督学习和无监督学习之间，因为它们都使用少量标记数据和大量未标记数据以培训为目的。采用这种方法的系统可以随后提高学习准确性。理想情况下，当获得的标记数据需要熟练且适当的资源来训练或从中学习时，人们选择半监督学习。否则，获取未标记的数据通常不需要添加资源。
• 强化机器学习算法：这些算法是一种学习方法，通过执行操作并发现错误或奖励来与其环境进行交互。强化学习最相关的方面是试错搜索和延迟奖励。这种方法可以让机器和软件代理自动选择特定上下文中的理想行为以增强其性能。代理需要简单的奖励反馈来理解最合适的动作，这被视为强化信号。

谁在使用机器学习以及它的用途是什么？

如今，机器学习已被广​​泛应用。为 Facebook 新闻推送提供支持的推荐引擎可能是最受推崇的 ML 实际应用示例之一。

Facebook 利用机器学习来定制每个用户的提要的交付方式。如果用户反复浏览某个群组的帖子，推荐引擎将开始在提要中展示该群组的更多活动。实际上，该引擎正在尝试在用户的在线行为中实现已知的模式。如果用户改变模式并且不阅读该组的帖子，他们的新闻源将相应地修改。

此外，除了推荐引擎之外，机器学习的其他好处还包括：

• 客户关系管理。CRM 软件可以利用机器学习模型来研究电子邮件，并帮助销售团队成员首先确定最重要消息的优先级，并相应地进行回复。更先进的系统甚至可以提出潜在的引人注目的反应。
• 商业智能。商业智能和分析供应商在其软件中利用机器学习来识别潜在的关键数据点、异常情况和数据点模式。
• 人力资源信息系统。这些系统可以利用机器学习模型来过滤应用，并为空缺职位指定最合适的候选人。
• 自动驾驶汽车。在机器学习算法的帮助下，半自动汽车可以识别部分可见的物体并向驾驶员发出警告。
• 虚拟助手。为了破译自然语音并提供上下文，智能助手通常集成无监督和监督机器学习模型。

最佳机器学习书籍

如果您是该领域的新手或经验丰富，我们收集了最好的机器学习教科书，适合希望增强对机器学习理解的初学者和业余爱好者。

1. 使用 Scikit-Learn、Keras 和 Keras 进行 ML 实践TensorFlow

• 作者 – Aurélien Géron
• 版本 –第二版
• 发行商 – O’Reilly Media, Inc.

这是最好的、最受欢迎的机器学习书籍之一，因为它提供了机器学习的最佳实用介绍，并侧重于在 Scikit-Learn、Keras 和 Keras 库的帮助下执行 ML 程序。 TensorFlow2。

第二版书中纳入了一些第一版书中未涵盖的新主题。嗯，本书假设您对机器学习几乎一无所知。通过利用大量实例、最少的理论和两个可用于生产的 Python 框架（即 Scikit-Learn 和 TensorFlow）。作者 Aurélien Géron 让您能够直观地了解创建智能系统的概念和工具。您将发现无数的技术，从简单的线性回归和进展到综合神经网络。解决每一章中的练习将帮助您应用所理解的内容，您所需要的只是编程经验即可开始。

涵盖的重要主题：

这本书被认为非常适合您，因为它将理论与实践以及大量的项目示例相结合。除了这些之外，还有许多精彩的主题会让您对这本书着迷。

• 生物神经元
• 监督和非监督学习技术
• 神经网络和深度学习
• 使用 CNN 进行深度 CV
• 算法基础知识
• 端到端项目

2. 机器学习数学

• 作者 – 马克·彼得·戴森罗斯
• 版本 –第一版
• 出版商 –剑桥大学出版社

如果你已经开始学习机器学习，那么你一定已经意识到数学在机器学习中的重要性。有几本书很好地定义了机器学习的思想，但并没有过多关注机器学习概念背后的数学，这时候机器学习数学就可以发挥作用。本书的目的不仅是讨论先进的机器学习技术，而且是传授基本的数学技能。因此，每个初学者都会轻松掌握这个概念。如果您想探索机器学习的数学知识，这将是最适合您的机器学习书籍之一。

涵盖的重要主题：

本书将向您介绍两个主要基础知识，即 

1.) 数学基础

2.) 利用数学基础的机器学习算法实例。

• 所有带有练习的数学主题
• 持续优化
• 线性回归

3.Python机器学习实例

• 作者 –刘玉玺
• 版本 –第三版
• 出版商 – Packt Publishing

这本书将使您的机器学习知识更上一层楼。它首先介绍 ML 和 Python 语言，并指导您如何完成设置。此外，在本书中，您将发现所有基本概念，包括数据预处理、探索性数据分析、特征提取、数据可视化以及聚类、分类、回归和模型性能评估。它包含各种项目，您会发现开发基本机器学习算法的机制非常有趣。此外，您还将被指导一步步从头开始创建您自己的模型。在本书的最后，您将全面了解机器学习生态系统以及使用机器学习技术的最佳方法。在本书的帮助下，您将了解如何处理数据驱动的问题，并将您的解决方案与Python（一种决定性且简单的语言）结合起来。本书充满了引人入胜且易于理解的示例，例如垃圾邮件检测、新闻主题分类、在线广告点击率预测，这些将使您保持专注，直到达到目标。但在开始阅读本书之前，您应该熟悉统计概念的基础知识。除了概念之外，还有大量项目供您练习。

涵盖的重要主题：

这本书包含了精彩的主题，但在此之前，如果您真正热衷于机器学习并希望开始从事机器学习作业，那么这本书是您的正确选择。

• 在朴素贝叶斯的帮助下创建电影推荐引擎
• 使用支持向量机识别人脸
• 在人工神经网络的帮助下预测股票价格
• 在强化学习的辅助下在复杂环境中做出决策

4. Python 机器学习简介

• 作者 –Andreas C. Müller、Sarah Guido
• 版本 – 第一版
• 发行商 - O’Reilly Media, Inc.

如果您刚刚开始学习机器学习，本书将使您能够使用 python 和 scikit-learn 库创建成功的机器学习应用程序。如果您立志成为一名数据科学家，那么本书将是您开启机器学习之旅的完美书籍。您将学习所有这些基本概念和应用程序，这些概念和应用程序将使您能够提升对机器学习的理解和经验，因为它以更简单的方式涵盖了所有主题。

涵盖的重要主题：

在开始学习本书之前，您应该熟悉 NumPy 和 Matplotlib 库，因为它将帮助您更好地学习。这些是常见的 Python 库，有助于常见操作和图形绘制。

• 机器学习的基本概念和用途
• 常用机器学习算法的优点和缺点
• 如何描述机器学习处理的数据，包括要关注哪些数据方面
• 最先进的模型评估和参数调整方法
• 用于链接模型和总结工作流程的管道的想法
• 处理文本数据的方法，包括特定于文本的处理方法
• 增强机器学习和数据科学技能的建议。

5. 百页机器学习书

• 作者 –安德烈·布尔科夫
• 版本 –第一版
• 出版商 – Andriy Burkov

这本书最重要的一点是，它将在 100 多页的篇幅内很好地阐明机器学习概念。对概率、统计和数学有一点了解会对你有所帮助，但这本书的记录方式是，一旦你开始阅读，你就会理解其中的大部分内容。它是由一位拥有博士学位的机器学习专家编写的。人工智能博士，在计算机科学和机器学习领域拥有近二十年的行业经验。

这本书在很多方面都是一本非凡的书。这是第一本成功地尝试编写一本易于阅读的机器学习书籍，并且没有避免使用数学。它还以有组织的方式包含了广泛的机器学习主题，而不会影响质量。本书仅包含自 20 世纪 60 年代以来设计的大量机器学习材料中已被确定具有重大实用价值的部分。对于机器学习的新手来说，这本书有足够的细节来帮助你获得该领域的适当知识水平。业余爱好者将把本书作为指针汇编，作为进一步自我完善的一步。当你在项目开始时集思广益时，这本书会派上用场，它可以回答你的问题：某个特定的技术问题是否是“机器可学习的”，如果是的话，你应该实施哪些技术来解决它。它还附带一个 wiki，其中包含一些页面，这些页面扩展了一些书籍章节，并添加了附加信息，包括问答、代码片段、工具和相关资源。 

许多编辑都对这本书进行了分析和高度评价，它将所有复杂的主题以简单的方式向您描述。

读完本书后，您将能够设计此类机器学习项目，是的，它还将帮助您准备基于 ML 的面试。

涵盖的重要主题：

• 基本算法
• 深度学习和神经网络
• 高级实践
• 学习算法的剖析
• 无监督学习

6. 绝对初学者的机器学习

• 作者 – 奥利弗·西奥博尔德
• 版本 –第三版
• 出版商 –独立出版

这本书对于新手深入学习机器学习的概念将会非常有帮助。为了使其更易于理解，本书对机器学习概念和核心算法提供了准确的解释和图解实例。但这本书并不是经验丰富的专业人士的正确选择，它是为读者迈出机器学习的第一步而记录的。 

涵盖的重要主题：

• 机器学习库和工具
• 回归分析
• 决策树
• 偏差/方差
• 机器学习模型
• k-Means 聚类以寻求新的关系

7.Python数据分析

• 作者 – 韦斯·麦金尼
• 版本 –第二版
• 发行商 – O’Reilly Media, Inc.

作为机器学习工程师，您必须完成的最重要的事情是研究机器学习中使用的数据。通过本书，您可以获得有关用 Python 清理、操作、处理、处理数据集的完整指南。本书的第二版针对 Python 3.6 进行了更新，附带有用的案例研究，演示如何有效地解决各种数据分析问题。您将在此过程中发现 NumPy、pandas、Jupyter 和 IPython 的新版本。它非常适合刚接触 Python 的分析师以及刚接触数据科学和科学计算领域的 Python 开发人员。数据文件和相应材料可在 GitHub 上访问。

涵盖的重要主题：

• 基本的 Python 库
• 数学和统计方法
• 总结和计算描述性统计
• 数据清理和准备
• 高级熊猫
• 数据分析示例

8.深度学习（自适应计算和ML系列）

• 作者 – Yoshua Bengio、Ian Goodfellow、Aaron Courville
• 出版商 – 麻省理工学院出版社

众所周知，深度学习是机器学习的升级版，它允许计算机从经验和大量数据中进行理解。在使用 ML 概念时，您还需要对深度学习概念有适当的理解。这本书对你有很大帮助，因为它被视为深度学习的圣经。深度学习领域的三位专家在本书中提出了一些充满数学和深度生成模型的技术主题。

涵盖的重要主题：

• 数值计算
• 深度前馈网络
• 训练深度模型的优化
• 实用方法论
• 深度学习研究

结论

上述书籍是机器学习领域最值得推荐和最好的书籍。您可以根据您的主题和领域选择这些书籍中的任何一本。这些机器学习教科书都应该适合您为您的机器学习知识和理解奠定基础的需要。这些教科书已经被证明是这个快速发展的领域中市场上最好的教科书，并且应该被认为是您在机器学习之旅中前进时有价值的参考书。设计好机器学习算法后，您就可以开始将其输入数据集和不同类型的信息。