继NLP之后，我又开了ML这个大坑。这是因为NLP涉及到太多的ML模型，仅仅拿过来用的话，我实现的HanLP已经快到个人极限了。而模型背后的原理、如何优化、如何并行化等问题，都需要寻根求源才能解决。
所以我找了个书单自学，电子书为主，顺便分享出来。
ML书单│李航.统计学习方法.pdf│机器学习及其应用.pdf│AllofStatistics-AConciseCourseinStatisticalInference-LarryWasserman-Springer.pdf│MachineLearning-TomMitchell.pdf│PRML.pdf│PRML读书会合集打印版.pdf│ProgrammingCollectiveIntelligence.pdf│[奥莱理]MachineLearningforHackers.pdf│[机器学习]Tom.Mitchell.pdf│《大数据：互联网大规模数据挖掘与分布式处理》迷你书.pdf│推荐系统实践.pdf│数据挖掘-实用机器学习技术（中文第二版）.pdf│数据挖掘_概念与技术.pdf│机器学习-Mitchell-中文-清晰版.pdf│机器学习导论.pdf│模式分类第二版中文版Duda.pdf（全）.pdf│深入搜索引擎--海量信息的压缩、索引和查询.pdf│矩阵分析.美国Roger.A.Horn.扫描版.pdf│统计学习基础数据挖掘、推理与预测.pdf│├─机器学习实战│machinelearninginaction.zip│机器学习实战单页.pdf│机器学习实战.pdf│└─论文文集└─LDALDA-wangyi.pdfLDA数学八卦.pdftext-est.pdf
下载地址：百度网盘。
现在正在看《统计学习方法》，边看便用Python实现。再用Matplotlib可视化，简直太完美了，比如kd树的构建算法：
以前也看过《机器学习实战》，不过感觉偏应用，原理没讲清楚，所以中断了。再往前面看过的《智能Web算法》也是偏应用的，过了一遍之后收获也不大。至于一些兜售“XX学习班”的博客，也就采集网上零落的博文，贴一些公式和理论甚至是戏说的程度。大部分博主都挑自己擅长的讲，挑自己容易找到的抄，这样导致网上公开的都是些千篇一律的浅显东西，只能看着玩，当不得真。至于代码，更不用想了。
感觉要入门，还是得从业界经典入门，那些“实战XXX”的书只能画个葫芦，然后读者只能画个瓢。
不是说网上大部分的机器学习教程都是这样的吗：
所以说还是得从原理开始打基础吧。
上面的书单是我这个外行搜集大家推荐次数比较多的书凑起来的，只是个人书单，不保证质量。这个书单应该会不断补充（话说回来，要是能都看完估计也很了得了），如果路过的各路高人有任何建议的话，恳请留言指点迷津。
使用电子书的形式是因为，个人偏好。即使我买了实体书，一旦找到了电子书，我马上就会把纸质书扔到床底下。如果侵犯了任何人的权益，烦请及时通知。
至于何时填完这些坑，生命不息，奋斗不止吧。
