7本書帶你掌握數據科學中的數學基礎（附下載）

05-03

作者：Ajit Jaokar

翻譯：李海明

本文約1500字，建議閱讀6分鐘。

想要精通數據科學，學好數學功不可沒。

關鍵詞：書，數據科學，Ian Goodfellow，機器學習，數學， Robert Tibshirani, Vladimir Vapnik

想要精通數據科學，學好數學功不可沒。基於這一常識，現推薦7本好書。

很多人在學習數據科學的時候都非常重視編程的學習。然而，如若有意精通數據科學（亦或是機器學習）這一門類，我們絕不能忽視數據科學的數學背景。所以，接下來我會推薦我在學習數據科學的過程中非常享受的7本數學基礎方面的書。說「享受「可能不是特別準確，因為要非常非常努力才行！

那麼問題來了，為什麼你需要去學好數據科學中的數學基礎呢？

以下幾條原因一直激勵著我這樣去做：

人工智慧技術一直處於高速更迭中。良好的數學基礎有助於你理解人工智慧技術的進化，同時也能讓你更深入地去理解並使用人工智慧技術，而不是停留在AI技術的表面。另外，這樣做也可以幫助你更好地去看待AI知識產權的問題。最後，職業規劃方面，一旦你掌握了數據科學背後的數學基礎，便可去從事更高端的AI和數據科學方面的工作。

與這7本書打交道時，我還有另外兩個動因：

首先，其內容可以作為我在牛津大學教授互聯網數據科學課程的一部分，另外我本人還教授AI應用課程，在這些課程中我都要涉獵一些基礎的數學方法。

其次，我還在寫一本從數學角度簡化AI的書，目的是讓14到18歲年齡段的讀者也能看懂。理解數據科學和AI中的數學基礎，你需要知道4類知識：線性代數，概率論，多變數微積分以及優化。這些知識大多數（至少是一部分）都來自於高中課本，因此我正在嘗試通過強調數學建模的意義，將高中數學和AI、數據科學聯繫起來。也歡迎評論我的方法。

以下是書單以及我對這7本書的評價：

1. 《統計學習理論的本質》Vladimir Vapnik. 【有中、英文版】

沒有涵蓋這位偉大的俄羅斯數學家Vladimir Vapnik著作的數學推薦書單都是無稽之談。所以，我把Vladimir Vapnik的《統計學習理論的本質》放在首位。在我的書單中，他的書是最難找到的。我有一本較早前的印度版本。他是支持向量機的發明者，維基百科中涵蓋了很多關於他的成就的介紹。

2. 《Richard O Duda教你模式分類》（2007-12-24） Richard O Duda 【有英文版】

與Vapnik博士的書類似，Duda的書是另一個時代的經典力作。這本書最早發行於1973年，後改版了25次（至2000年），是一部有份量的數學學習資源。該書採用了模式識別方法，並提供了廣泛的演算法覆蓋。

3. 《機器學習：從演算法出發》第二版 (Chapman & Hall/Crc 機器學習與模式識別) Stephen Marsland 【有英文版】

Stephen Marsland的書已經有了第二版。Stephen Marsland的這本是同類書中我讀的最早的一批中的一本（我只有第一版）。兩個版本都非常好。我認為該書的第二版會有更多的python代碼。就像前兩本一樣，這本書非常強調演算法。

4. 《統計學習基礎：數據挖掘，推斷與預測》 第二版 Trevor Hastie, Robert Tibshirani, Jerome Friedman 【有英文版】

又是一本經典之作。我有的這本書是彩色列印的，非常精美，可以作為學習的一本參考書。

5. 《模式識別與機器學習》（信息科學與統計學） Christopher M. Bishop 【有英文版】

Christopher M. Bishop的力作《模式識別與機器學習》（信息科學與統計學）是一本深入淺出的學習參考書。

6. 《機器學習：數據門類中演算法的科學與藝術》Peter Flach 【有英文版】

雖然這本書在amazon上有評論說多文字而少代碼，但我喜歡Peter Flach的書，特別是演算法的分組（邏輯模型，線性模型，概率模型）以及其對主題的整體處理風格。

最後，是我最最推薦的一本：

7. 《深度學習》Goodfellow, Bengio and Corville 【有中文 draft版、英文版】

這是一本值得你從一字不落頭讀到尾的好書。該書既詳細又現代，涵蓋了你能想到的所有問題。

還有兩本也值得閱讀：

1. 《機器學習第一課》第二版 （機器學習與模式識別） Simon Rogers，Mark Girolami

這是我看的第一本AI和數據科學的書。他不太適合初學者，但是仍然是一本不錯的書（特別是第二版）

2.《機器學習：從概率出發》 Kevin Murphy

這本書評價頗高，但是我自己還沒有讀過（所以沒有列在7本書的範圍之內）

如果我錯過了一些好書，正好你又有其他推薦，也請讓我了解。

總結評論

1. 除了《深度學習》，我不建議大家通讀其他書籍。我更傾向於需要學習哪類知識就去讀哪本書。我還喜歡不同作者在書中舉的不同例子，比如Duda的魚分類；Hastie的廣告數據銷售電視與廣播；Flach假設空間概念與海洋動物的例子等等。

2. 我發現這些書還賦予了我一點點的謙卑，讓我們知道這個世界浩瀚無垠，錯綜複雜，而我們實在是知之甚少。

3. 這些書也不會過時。Vladimir已經81歲高齡了，Duda的這本書發佈於1973年，我希望50年後，整個行業仍然會去讀它們。就像老朋友能經得起時間的考驗一樣，令人欣慰。同時，這也顯示出數學方法的長壽與價值。

原文標題：

7 Books to Grasp Mathematical Foundations of Data Science and Machine Learning

原文鏈接：

https://www.kdnuggets.com/2018/04/7-books-mathematical-foundations-data-science.html