想要精通資料科學，
就必須對基礎數學有很好的理解。
考慮到這一點，
我在這裡推薦七本可以幫助到你的書。
大多數人學習資料科學， 會把重點放在程式設計。 然而， 想要真正精通資料科學(和機器學習)， 就不能忽視資料科學背後的數學基礎。 在這篇文章中， 我將介紹在學習資料科學數學基礎方面過程中常用的七本書。 用“享受”來描述這種感受似乎也不為過。
那麼， 你為什麼要努力學習資料科學的數學基礎呢？
以下是我的一些理由：
人工智慧日新月異。 GeoffreyHinton認為我們應該重新考慮反向傳播。 而理解數學會幫助我們更好地理解人工智慧的進化。
當然， 我使用這些書也有其他目的。
1.首先， 這些書已經成為我在牛津大學物聯網課程的教學過程中的一部分， 同時也包括了我在人工智慧應用教學所要用的基本數學方法。
2.第二， 我正在寫一本書， 它將從數學的角度為14到18歲的孩子進行簡單的人工智慧描述。 在這本書中講到， 想要理解資料科學和人工智慧的數學基礎， 你需要知道四件事。 即線性代數、概率論、多元微積分和最優化。
https://www.amazon.com/Nature-Statistical-Learning-Theory/dp/8132202597/ref=redir_mobile_desktop?_encoding=UTF8&dpID=11poThT9XmL&dpPl=1&keywords=vapnik&pi=AC_SX118_SY170_QL70&qid=1522414077&ref=plSrch&ref_=mp_s_a_1_1&sr=8-1
你如果想做一個關於數學書籍的清單， 那麼一定不能避開偉大的俄羅斯數學家！因此， 我的第一本推薦書目是弗拉基米爾·瓦普尼克的“統計學習理論的本質”。 在我推薦的所有書目中， 瓦普尼克是最難找到的。 我有一個較舊的印度版。 弗拉基米爾·瓦普尼克(Vladimir Vapnik)是支持向量機(SVM)的創始人。 你可以在他的維琪百科網頁查看更多關於他的內容。
2. 模式分類(2007-12-24) 作者：理查·奧杜達(Richard O Duda)https://www.amazon.co.uk/dp/B01N9M71LT/ref=cm_sw_r_em_apa_WdJVAb3037FVR
和Vapnik博士的書一樣， Duda也是另一個時代的經典。 第一次出版於1973。 25年後（即2000年）又進行了一次更新。 這本書是重要的文獻材料。 它採取模式識別的方法， 提供了廣泛的演算法覆蓋。
3. 機器學習：演算法視角， 第二版(Chapman&Hall/CRC機器學習和模式識別) 作者：斯蒂芬·馬斯蘭(Stephen Marsland)https://www.amazon.co.uk/Machine-Learning-Algorithmic-Perspective-Recognition/dp/1466583282/ref=sr_1_1?ie=UTF8&qid=1522398255&sr=8-1&keywords=marsland+machine+learning&dpID=51JVZWc%252BctL&preST=_SY291_BO1,204,203,200_QL40_&dpSrc=http://post.xxxssk.com/api/srch
斯蒂芬·馬斯蘭的書現在已經出版了第二版。 馬斯蘭是我讀過的最早的書之一(我現在只有第一版)。 新舊兩版都很好。 我認為第二版在Python中有很多編碼。 和前兩本書一樣， 這本書也非常強調演算法。
4. 統計學習的要素：資料採擷， 推理和預測（第二版）作者：Trevor Hastie， Robert Tibshiani， Jerome Friedmanhttps://www.amazon.co.uk/dp/0387848576/ref=cm_sw_r_em_apa_o-aWAbXMMFM4Z
哈斯蒂是另一個經典。 我的這本書是彩色的。 這是我所說的另一本參考書。
5. 模式識別與機器學習(資訊科學與統計) 作者：克里斯多夫·M·畢曉普https://www.amazon.co.uk/Pattern-Recognition-Learning-Information-Statistics/dp/0387310738/ref=sr_1_1?ie=UTF8&qid=1522510002&sr=8-1&keywords=bishop&dpID=61FKyOeM7KL&preST=_SY344_BO1,204,203,200_QL70_&dpSrc=http://post.xxxssk.com/api/srch
模式識別和機器學習(資訊科學和統計)(克里斯多夫M.畢曉普)也是一本極具深度的參考書。
https://www.amazon.co.uk/Machine-Learning-Science-Algorithms-Sense/dp/1107422221/ref=sr_1_1?ie=UTF8&qid=1522570580&sr=8-1&keywords=machine+learning+peter+flach
即便一些亞馬遜評論稱它冗長，並指出缺乏代碼，我也依舊喜歡PeterFlach的書。我特別喜歡Flach演算法的分組(邏輯模型、線性模型、概率模型)和主題的總體處理。
最後是我力薦的書：
7. 深度學習 作者，古德費羅、本吉奧和科維爾https://www.amazon.co.uk/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618/ref=sr_1_1?ie=UTF8&qid=1523226978&sr=8-1&keywords=bengio+deep+learning
如果有本書，你非讀不可。那一定是它了。詳細又極具現代視野，涵蓋了你所能想到的一切。
（下面是兩個有價值的補充）
機器學習第一課，第二版(機器學習與模式識別)，作者是西蒙·羅傑斯，馬克·吉羅拉米。這是我率先得到的一本書(第一版)。我不推薦初學者看它，但它的確是一本很好的書(尤指第二版)。
機器學習：從凱文·墨菲的概率視角。這本書評價很高--但我沒有親自看過(因此不在名單上)。
如果你有其他更好的推薦，請告訴我。
總結：
除了古德費爾德-本吉奧的書外，我不建議你都認認真真的仔細看完。我喜歡閱讀有主題的這些書，把它們當做參考書。我還喜歡來自不同作者的例子，如用魚類做分類的前杜達；哈斯蒂用廣告資料來賣電視和收音機；弗拉赫假設空間概念和海洋動物的例子等。
我發現這些書教會了我一個道理，就是保持謙卑。你所知道的永遠是這廣闊世界的一小部分。
經典書目永不朽。弗拉基米爾·瓦普尼克(Vladimir Vapnik)今年81歲。杜達的書於1973首次出版。我預計即便50年後，這些書也不會過時。就像那些經得起時間考驗的老朋友。這是個令人欣慰的想法。它顯示了基礎數學的壽命。
模式識別和機器學習(資訊科學和統計)(克里斯多夫M.畢曉普)也是一本極具深度的參考書。
https://www.amazon.co.uk/Machine-Learning-Science-Algorithms-Sense/dp/1107422221/ref=sr_1_1?ie=UTF8&qid=1522570580&sr=8-1&keywords=machine+learning+peter+flach
即便一些亞馬遜評論稱它冗長，並指出缺乏代碼，我也依舊喜歡PeterFlach的書。我特別喜歡Flach演算法的分組(邏輯模型、線性模型、概率模型)和主題的總體處理。
最後是我力薦的書：
7. 深度學習 作者，古德費羅、本吉奧和科維爾https://www.amazon.co.uk/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618/ref=sr_1_1?ie=UTF8&qid=1523226978&sr=8-1&keywords=bengio+deep+learning
如果有本書，你非讀不可。那一定是它了。詳細又極具現代視野，涵蓋了你所能想到的一切。
（下面是兩個有價值的補充）
機器學習第一課，第二版(機器學習與模式識別)，作者是西蒙·羅傑斯，馬克·吉羅拉米。這是我率先得到的一本書(第一版)。我不推薦初學者看它，但它的確是一本很好的書(尤指第二版)。
機器學習：從凱文·墨菲的概率視角。這本書評價很高--但我沒有親自看過(因此不在名單上)。
如果你有其他更好的推薦，請告訴我。
總結：
除了古德費爾德-本吉奧的書外，我不建議你都認認真真的仔細看完。我喜歡閱讀有主題的這些書，把它們當做參考書。我還喜歡來自不同作者的例子，如用魚類做分類的前杜達；哈斯蒂用廣告資料來賣電視和收音機；弗拉赫假設空間概念和海洋動物的例子等。
我發現這些書教會了我一個道理，就是保持謙卑。你所知道的永遠是這廣闊世界的一小部分。
經典書目永不朽。弗拉基米爾·瓦普尼克(Vladimir Vapnik)今年81歲。杜達的書於1973首次出版。我預計即便50年後，這些書也不會過時。就像那些經得起時間考驗的老朋友。這是個令人欣慰的想法。它顯示了基礎數學的壽命。