#關(guān)于這份學習清單#

我會按照基礎(chǔ)到入門給出詳細推薦，并且附上個人點評。同時盡量做到各個資料在內(nèi)容上并不重復（即使內(nèi)容上有重復，也會在難度上做出區(qū)分），希望可以以最直接的方式告訴大家應(yīng)該怎么選擇。

Ps：這是第一版學習指南，由于最近時間比較緊張，預計在第二版中會加入業(yè)務(wù)材料的推薦和更多的學習索引，歡迎關(guān)注。

由于統(tǒng)計學概率論甚至到機器學習會對數(shù)學基礎(chǔ)有一定要求，所以這里給出一些先驗知識的內(nèi)容推薦，主要是矩陣方面。

1.1   課程

可汗學院公開課：線性代數(shù)課程

http://open.163.com/special/Khan/linearalgebra.html

因為網(wǎng)易公開課有翻譯，這里是中文字幕課程鏈接，這里真要給網(wǎng)易100個贊，字幕做得很好。

“可汗學院(Khan Academy)，是由孟加拉裔美國人薩爾曼·可汗創(chuàng)立的一家教育性非營利組織，主旨在于利用網(wǎng)絡(luò)影片進行免費授課，現(xiàn)有關(guān)于數(shù)學、歷史、金融、物理、化學、生物、天文學等科目的內(nèi)容，教學影片超過2000段，機構(gòu)的使命是加快各年齡學生的學習速度?！?/span>

1.2 參考書籍

（1）線性代數(shù)  豆瓣評分7.3

清華居余馬老師的線性代數(shù)教材，比較經(jīng)典的教材了，里面的知識足夠支撐我們后續(xù)統(tǒng)計分析和機器學習需要。

（2）高等代數(shù) 豆瓣評分8.1

相比于線性代數(shù)，高等代數(shù)更加深入，一般線性代數(shù)為非數(shù)學專業(yè)所用，數(shù)學類專業(yè)一般學習高等代數(shù)。不過一般情況下，線性代數(shù)也足夠使用了。

當然，在后續(xù)學習中有些算法也會用到微積分的知識，但是都比較基礎(chǔ)，因此遇到不懂的時候直接查資料即可，就沒有特定推薦材料了。

2.1 統(tǒng)計學/概率課程

同樣推薦可汗學院的統(tǒng)計學和概率課程，而且剛好這兩門課程也被網(wǎng)易公開課進行了翻譯：

（1）  可汗學院公開課：統(tǒng)計學

http://open.163.com/special/Khan/khstatistics.html

（2）  可汗學院公開課：概率

http://open.163.com/special/Khan/probability.html

 
這兩本課程總體不算太難，適合入門。個人覺得講授還是蠻有特點的，粗暴直接，另外舉的例子也是蠻有趣的。

2.2統(tǒng)計學/概率參考書

（1）統(tǒng)計學  豆瓣評分8.8
作者William Mendenhall / Terry Sincich 

“《統(tǒng)計學(原書第5版)》內(nèi)容豐富，很少涉及統(tǒng)計學理論的嚴格數(shù)學證明，絕大部分是與實際應(yīng)用緊密聯(lián)系的例子和練習，適合作為理工科各專業(yè)本科生、研究生的統(tǒng)計學教材，也可作為相關(guān)領(lǐng)域研究人員的參考讀物?！?br>非常注重實用的統(tǒng)計學課程，偏應(yīng)用，少數(shù)學證明，可讀性比較強；

（2）統(tǒng)計學  豆瓣評分7.3
作者：賈俊平，何曉群，金勇進

統(tǒng)計比較通用的入門教材了，不知不覺竟然到了第六版，個人認為也算是兼顧數(shù)學證明和應(yīng)用，可讀性沒有上面強，但是也非常的通俗易懂，有很多統(tǒng)計學專業(yè)的起始教材也會選擇這本。

（3）統(tǒng)計推斷  豆瓣評分8.8,/英本原本9.2
作者：William Mendenhall / Terry Sincich


非常經(jīng)典經(jīng)典的統(tǒng)計學教材，借用介紹“從概率論的基礎(chǔ)開始，通過例子與習題的旁征博引，引進了大量近代統(tǒng)計處理的新技術(shù)和一些國內(nèi)同類教材中不常見而又廣為使用的分布。其內(nèi)容既包括工科概率入門、經(jīng)典統(tǒng)計和現(xiàn)代統(tǒng)計的基礎(chǔ)，又加進了不少近代統(tǒng)計中數(shù)據(jù)處理的實用方法和思想”
可以作為研究生所用教材，有深度，但是作者循序漸進，解釋得非常漂亮

3.1機器學習課程

強烈推薦Andrew NG吳恩達的斯坦福機器學習課程，英文授課，但是已有完善的中文字幕，內(nèi)容非常豐富且充實（20節(jié)），并且講解得非常的好，如果你想學習機器學習，一定不能錯過！

Coursera地址：

https://www./learn/machine-learning#

網(wǎng)易公開課地址：

http://open.163.com/special/opencourse/machinelearning.html

同時該課程配有課件講義，同樣建議大家在學習視頻課程之余多看講義和習題，雖然是英文，但是閱讀上基本沒有什么問題，就講義本身也是非常的棒。

如果大家學習完Andrew NG的機器學習，還想通過其他課程觸類旁通，相互借鑒的話，可以上Coursera上門搜索還有其他選擇，例如臺大的機器學習基礎(chǔ)等等，但毫無疑問首推Andrew NG的課程；

另外現(xiàn)在國內(nèi)也有越來越多的培訓網(wǎng)站推出相關(guān)課程，大家有興趣的可以自己搜搜，這里就不做推薦了；

3.2機器學習教材

（1）數(shù)據(jù)挖掘?qū)д? 豆瓣評分8.4,/英本原本8.8

作者： Pang-Ning Tan、Michael Steinbach、Vipin Kumar

介紹得非常全面的一本書，但可能因為需要涵蓋的內(nèi)容太多，所以難免有些算法只能簡單介紹。盡管這樣，個人認為也是非常難得一見的入門教材，有一定難度。這本書從簡單的數(shù)據(jù)開始，到各種分類算法，聚類算法，關(guān)聯(lián)規(guī)則都有相對完整的指引，我認為對于我們構(gòu)建自身的統(tǒng)計挖掘體系是有很大的幫助。中文版本翻譯還是挺好的，但是英文原版那是極好的。

（2）統(tǒng)計學習方法  豆瓣評分：8.9

作者：李航