人工智能、机器学习及数学基础经典著作24本PDF下载地址(个别无链接请购买)

经典著作24本PDF下载地址节选自信息社会的数据资源概论科学章。该书约十章:自然、社会、人文、教育、宗教、艺术、技术、哲学、科学等数据资源素材持续收集中,欢迎提供线索或合作。秦陇纪陆续搜集倾向于文本媒体诸如政府、媒体、医学、体育、建筑等数据,为《信息社会的数据简化概述》提供数据源,对知识文本基于词频统计共现分析、时空序列分析等方法做溯源和简化,以搭建知识库等。可下载压缩包。

 

01 人工智能经典著作PDF下载地址 (1552字)

1 The Quest for Artificial Intelligence人工智能的探索

http://ai.stanford.edu/%7Enilsson/QAI/qai.pdf

斯坦福大学这本书回顾了人工智能的历史,从早期的18世纪先人的梦想,到如今众多成功的人工智能技术。

2 The Cambridge Handbook of Artificial Intelligence剑桥人工智能手册

https://www.amazon.com/Cambridge-Handbook-Artificial-Intelligence/dp/0521691915

适合非专业人士阅读,本书覆盖了基本原则,主要理论和主要研究领域,还有相关主题,比如人造生命。

3 Superintelligence: Paths, Dangers, Strategies超级智能:路线图、危险性与应对策略

https://en.wikipedia.org/wiki/Superintelligence:_Paths,_Dangers,_Strategies

 

作者Nick Bostom是牛津大学教授和教员。非常好的一本书;书中问:如果机器在智能上超越人类会怎样。Bostom使用了很棒的类比来说明了当通用人工智能的心智比人类更强时会发生什么。写作这本书的过程中,地球上大猩猩和其它所有物种的命运都掌握在人类手中,因为人类的大脑能力更强。那么带有更强大智能的人工智能又将如何看待人类呢?它们会像我们看待大猩猩甚至蚂蚁一样看待我们吗?它们会灭绝人类以拯救非人类的生物吗?

4 The Emotion Machine:Commonsense Thinking,Artificial Intelligence,and the Future of the Human Mind情感机器:常识思维、人工智能和人类思维的未来

https://www.amazon.com/gp/product/0743276647

这部让人脑洞大开的图书中,科技先锋继续了他极具创造力的研究,给我们呈现了一个全新的不可思议的人类大脑运转模式;The Emotion Machine:Commonsense Thinking,Artificial Intelligence,and the Future of the Human Mind情感机器:常识思维、人工智能和人类思维的未来

5 Artificial Intelligence:A New Synthesis人工智能:一种新的综合

https://www.amazon.com/Artificial-Intelligence-Synthesis-Nils-Nilsson/dp/1558604677

从粒子反应入手,Nilsson逐渐向我们展示了人工智能中最重要和最新的概念。

6 The Master Algorithm——How The Quest For The Ultimate Learning Machine Will Remake Our World终极算法:机器学习和人工智能如何重塑世界

算法专家、机器学习先驱人物佩德罗•多明戈(Pedro Domingo)2015年发表The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World《终极算法:机器学习和人工智能如何重塑世界》,详细介绍机器学习各种方法,将它们与大脑中的神经连接、逻辑和概率等进行了比较,作深入浅出的解释,并描述机器学习如何重塑商业、政治、科学和战争。书名来自于最终可完美理解全世界及人们是如何运作或工作的虚构终极算法(又译主算法),该书大纲介绍终极算法是一种“能够从数据中获取所有知识的全能学习者”

 

《终极算法:机器学习和人工智能如何重塑世界》描述了机器学习是如何改造商业、政治、科学和战争;详细介绍了机器学习的各种方法,并通过将它们与大脑中的神经连接,用逻辑和概率等进行比较来解释它们,揭秘机器学习的终极逻辑。其中所述机器学习五大学派,梳理出了能否一统江湖的深度学习学派。该书大胆设想了一个改变机器学习模式,最终会改变我们生活的“终极算法”——Pedro Domingos说,如果这个算法真的存在,那么它应该可以获得所有知识,无论过去、现在还是将来的。理论上,这种算法可以仅通过Tycho Brach(一位天文学家)的观测结果推导出牛顿定律,而不需要了解之前的任何定律。

7 AugmentedLife in The Smart Lane智能浪潮:增强时代来临

Moven创始人兼首席执行官布雷特•金(Brett King)撰写的亚马逊排行榜畅销书Augmented: Life in The Smart Lane《智能浪潮:增强时代来临》,着眼于新“增强时代”,解释了增强时代将如何颠覆社会现状引起社会混乱,并改变我们人类的行为方式。布雷特·金采访了媒体、医疗、社会学、消费者行为、商业等不同领域杰出专家,集思广益并勾勒出未来世界在智能化技术的影响下会出现怎样的变化,以及我们如何去适应智能世界生活。以故事和案例角度,通过整体社会学信息,从真实科技而不是单纯畅想科技的角度描绘这接下来20~30年世界的作者。该书还深入阐述了机器人将如何取代人类工作,举出大量案例和丰富图片向我们展示了一个智能的未来,研究机器人将如何取代人类工作,以及人工智能是否会将我们人类划入到下等智能。

 

King认为四大关键因素将决定我们今后几年的生活方式:人工智能,智能基础设施,医疗技术以及他所谓的嵌入式和分布式体验。最后一个类别包括像Facebook这样的公司进行了大量投资的虚拟技术,以及King所描述的“一切都能够提供反馈”的物联网概念。《智能浪潮》是关于未来的书,但更重要的是,书中的故事畅想了未来二十年世界的变化将比过去二百五十更翻天覆地,你准备好适应这样的生活了吗?

 

02 机器学习经典著作PDF下载地址 (1680字)

▌1 Machine Learning机器学习

http://www.cs.ubbcluj.ro/~gabis/ml/ml-books/McGrawHill%20-%20Machine%20Learning%20-Tom%20Mitchell.pdf

 

首推1997年首版的经典著作,被引用无数次,介绍了计算机算法如何让机器不断自我提升。本书涵盖机器学习领域,这是一种算法研究,允许计算机程序通过经验自动改进。书中介绍了构成机器学习核心的关键算法和理论,很多学习风格,讨论理论问题,诸如:学习表现(learning performance)如何随训练范例表征的数目而变化?哪种学习算法最适合于不同类型的学习任务?DLC:计算机算法。作者Tom M. Mitchell是CMU计算机科学系教授。这本书有意写给机器学习方向高年级本科课程和入门水平研究生课程,无需有人工智能背景知识,应该是你踏入人工智能领域要读的入门书。虽然难以覆盖机器学习中的最新进展,但对于基本理论和核心算法的论述依然鞭辟入里,毕竟经典理论经得起时间的考验。这本书侧重于广度,并不涉及大量复杂的数学推导,是比较理想的入门书籍。作者曾在自己的主页上说本书要出新版,并补充了一些章节的内容,也许近两年可以期待新版本的出现。

2 Elements of Statistical Learning统计学习基础

https://web.stanford.edu/~hastie/Papers/ESLII.pdf

 

强调的是各种学习方法的内涵和外延,相比于具体的推演,通过方法的来龙去脉来理解其应用场景和发展方向恐怕更加重要。不用大量复杂数学公式来吓唬人(专于算法推导的书除外),是一本经典著作。Trevor Hastie等人所著,2016年第二版,没有中译,只有影印本。

3 Pattern Recognition and Machine Learning模式识别与机器学习

http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf

 

将机器学习看成一个整体,不管于基于频率的方法还是贝叶斯方法,不管是回归模型还是分类模型,都只是一个问题的不同侧面。作者开启上帝视角,将机器学习林林总总都纳入一张巨网之中,多数读者跟不上他高屋建瓴的思路。这本煌煌巨著Christopher Bishop所著2007年出版,无中译本。

4 Deep Learning深度学习

http://www.deeplearningbook.org

 

这本在线书是最新的,并在持续更新,深入地涵盖了广泛的主题(到目前为止包括序列到序列学习)。知名深度学习大咖Yoshua Bengio,Ian Goodfrior和Aaron Courville把关于深度学习的免费书(和草稿)放在一起,国内已有翻译。

5 Deep Learning.Methods and Applications深度学习方法与应用

Deep Learning: Methods and Applications

 

这本书目的是提供一个各种信号和信息处理任务的深度学习方法及其应用的概述。按照如下三个标准选择应用领域:1)作者的专长或知识;2)已通过成功使用深度学习技术(如语音识别)而改变的应用领域。(3)有可能受到深度学习显著影响的应用领域,以及获得集中研究努力的应用领域,包括通过多任务深度学习来实现的自然语言与文本处理、信息检索(information retrieval)和多模式信息处理等。最后在第12章中总结前几章中提出的内容,并讨论了未来的挑战和方向。

6 Information Theory, Inference and Learning Algorithms信息论、推理与学习算法

http://www.inference.org.uk/itprnn/book.pdf

 

作者David J C MacKay是一位全才型的科学家,2003年成书,中译本《信息论,推理与学习算法》。这本书也并非机器学习的专著,而是将多个相关学科熔于一炉,内容涉猎相当广泛。相比于前面板着脸的教科书,阅读本书的感觉就像在和作者聊天,他会在谈笑间抛出各种各样的问题让你思考。广泛的主题使本书的阅读体验并不轻松,但可以作为扩展视野的一个调节。

7 Neural Networks and Deep Learning神经网络与深度学习

http://neuralnetworksanddeeplearning.com

神经网络和深度学习是目前解决图像识别、语音识别和自然语言处理等诸多问题的最佳方案。这本书将教你神经网络与深度学习背后的核心概念。免费在线书,作者Michael Nielsen迈克尔·尼尔森是一个科学家,作家和程序员;是Y Combinator Research研究员,也是“Distil蒸馏”杂志指导委员,并偶尔为“ Quanta Magazine定量杂志”撰写专栏文章。

8 Machine Learning:A Probabilistic Perspective机器学习的概率视角

https://www.amazon.com/Machine-Learning-Probabilistic-Perspective-Computation/dp/0262018020

 

这本小书对机器学习给出了详尽的介绍,并从概率视角做了阐述。

9 李航博士《统计学习方法》和周志华教授《机器学习》

首推两部国内机器学习著作:李航博士所著《统计学习方法》胜在深度,周志华教授《机器学习》胜在广度。在具备广度的前提下,可以根据《机器学习》中提供的丰富参考文献继续深挖。

 

《统计学习方法》采用“总-分-总”结构,梳理统计学习基本概念后,系统全面地介绍统计学习中10种主要方法,最后对这些算法做了总结与比较。这本书以数学公式为主,介绍每种方法时都给出了详尽的数学推导,几乎不含任何废话,因而对读者的数学背景也提出了较高的要求。

 

《机器学习》覆盖范围更广,具有更强的导论性质,有助于了解机器学习全景。书中涵盖了机器学习中几乎所有算法类别的基本思想、适用范围、优缺点与主要实现方式,穿插大量通俗易懂的实例。

 

03 数学基础经典著作PDF下载地址 (116字)

1 Introduction to Linear Algebra线性代数导论

https://math.mit.edu/~gs/linearalgebra/linearalgebra5_Preface.pdf

2 Linear Algebra and its Applications线性代数及其应用

http://www.zuj.edu.jo/download/linear-algebra-and-its-applications-david-c-lay-pdf/

3 A First Course in Probability(8th edition)概率论第一课(第八版)

http://julio.staff.ipb.ac.id/files/2015/02/Ross_8th_ed_English.pdf

4 Probability Theory: The Logic of Science概率论:科学的逻辑

http://www.med.mcgill.ca/epidemiology/hanley/bios601/GaussianModel/JaynesProbabilityTheory.pdf

5 Statistical Inference统计推断

https://fsalamri.files.wordpress.com/2015/02/casella_berger_statistical_inference1.pdf

6 Convex Optimization凸规划

https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf

7 Elements of Information Theory信息论基础

http://www.cs-114.org/wp-content/uploads/2015/01/Elements_of_Information_Theory_Elements.pdf

发表评论

电子邮件地址不会被公开。 必填项已用*标注