作者：Ajit Jaokar

翻译：李海明

本文约1500字，建议阅读6分钟。

想要精通数据科学，学好数学功不可没。

微信后台回复“7本书”获取文章内的书籍资源

关键词：书，数据科学，Ian Goodfellow，机器学习，数学， Robert Tibshirani, Vladimir Vapnik

想要精通数据科学，学好数学功不可没。基于这一常识，现推荐7本好书。

很多人在学习数据科学的时候都非常重视编程的学习。然而，如若有意精通数据科学（亦或是机器学习）这一门类，我们绝不能忽视数据科学的数学背景。所以，接下来我会推荐我在学习数据科学的过程中非常享受的7本数学基础方面的书。说“享受“可能不是特别准确，因为要非常非常努力才行！

那么问题来了，为什么你需要去学好数据科学中的数学基础呢？

以下几条原因一直激励着我这样去做：

人工智能技术一直处于高速更迭中。良好的数学基础有助于你理解人工智能技术的进化，同时也能让你更深入地去理解并使用人工智能技术，而不是停留在AI技术的表面。另外，这样做也可以帮助你更好地去看待AI知识产权的问题。最后，职业规划方面，一旦你掌握了数据科学背后的数学基础，便可去从事更高端的AI和数据科学方面的工作。

 

与这7本书打交道时，我还有另外两个动因：

• 首先，其内容可以作为我在牛津大学教授互联网数据科学课程的一部分，另外我本人还教授AI应用课程，在这些课程中我都要涉猎一些基础的数学方法。

• 其次，我还在写一本从数学角度简化AI的书，目的是让14到18岁年龄段的读者也能看懂。理解数据科学和AI中的数学基础，你需要知道4类知识：线性代数，概率论，多变量微积分以及优化。这些知识大多数（至少是一部分）都来自于高中课本，因此我正在尝试通过强调数学建模的意义，将高中数学和AI、数据科学联系起来。也欢迎评论我的方法。

以下是书单以及我对这7本书的评价：

 

1. 《统计学习理论的本质》Vladimir Vapnik. 【有中、英文版】

 

没有涵盖这位伟大的俄罗斯数学家Vladimir Vapnik著作的数学推荐书单都是无稽之谈。所以，我把Vladimir Vapnik的《统计学习理论的本质》放在首位。在我的书单中，他的书是最难找到的。我有一本较早前的印度版本。他是支持向量机的发明者，维基百科中涵盖了很多关于他的成就的介绍。

 

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

 

与Vapnik博士的书类似，Duda的书是另一个时代的经典力作。这本书最早发行于1973年，后改版了25次（至2000年），是一部有份量的数学学习资源。该书采用了模式识别方法，并提供了广泛的算法覆盖。

 

3. 《机器学习：从算法出发》第二版 (Chapman & Hall/Crc 机器学习与模式识别)  Stephen Marsland 【有英文版】

 

Stephen Marsland的书已经有了第二版。Stephen Marsland的这本是同类书中我读的最早的一批中的一本（我只有第一版）。两个版本都非常好。我认为该书的第二版会有更多的python代码。就像前两本一样，这本书非常强调算法。

 

4. 《统计学习基础：数据挖掘，推断与预测》 第二版  Trevor Hastie, Robert Tibshirani, Jerome Friedman 【有英文版】

 

又是一本经典之作。我有的这本书是彩色打印的，非常精美，可以作为学习的一本参考书。

 

5. 《模式识别与机器学习》（信息科学与统计学） Christopher M. Bishop 【有英文版】

 

Christopher M. Bishop的力作《模式识别与机器学习》（信息科学与统计学）是一本深入浅出的学习参考书。

 

6. 《机器学习：数据门类中算法的科学与艺术》Peter Flach 【有英文版】

 

虽然这本书在amazon上有评论说多文字而少代码，但我喜欢Peter Flach的书，特别是算法的分组（逻辑模型，线性模型，概率模型）以及其对主题的整体处理风格。

 

最后，是我最最推荐的一本：

 

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

 

这是一本值得你从一字不落头读到尾的好书。该书既详细又现代，涵盖了你能想到的所有问题。

 

还有两本也值得阅读：

 

1. 《机器学习第一课》第二版 （机器学习与模式识别） Simon Rogers，Mark Girolami

 

这是我看的第一本AI和数据科学的书。他不太适合初学者，但是仍然是一本不错的书（特别是第二版）

 

2.《机器学习：从概率出发》 Kevin Murphy

 

这本书评价颇高，但是我自己还没有读过（所以没有列在7本书的范围之内）

 

如果我错过了一些好书，正好你又有其他推荐，也请让我了解。

 

总结评论

 

1. 除了《深度学习》，我不建议大家通读其他书籍。我更倾向于需要学习哪类知识就去读哪本书。我还喜欢不同作者在书中举的不同例子，比如Duda的鱼分类；Hastie的广告数据销售电视与广播；Flach假设空间概念与海洋动物的例子等等。

2. 我发现这些书还赋予了我一点点的谦卑，让我们知道这个世界浩瀚无垠，错综复杂，而我们实在是知之甚少。

3. 这些书也不会过时。Vladimir已经81岁高龄了，Duda的这本书发布于1973年，我希望50年后，整个行业仍然会去读它们。就像老朋友能经得起时间的考验一样，令人欣慰。同时，这也显示出数学方法的长寿与价值。

 

原文标题：

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

原文链接：

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

微信后台回复“7本书”获取文章内的书籍资源

译者简介

李海明  中国科学院大学在读研究生，铁人三项业余运动员，热爱音乐、艺术、生活。喜欢结交各路神仙～一起坐驰神游，一起南辕北辙

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。

点击“阅读原文”拥抱组织