原文：5 free e-books for machine learning mastery?
作者：Serdar Yegulalp?翻譯：賴信濤?責編：仲培藝

計算機中有一些領域非常令人著迷，或令人畏懼，機器學習就是這樣。精通機器學習并非一朝之事，至少，你需要花一些時間掌握必備的數學知識。

也就是說，如果你數學很好，那么就會更加理解機器學習框架背后的原理，使用起來也會得心應手。

下面介紹5本高質量的、免費閱讀的電子書，主要是對機器學習的介紹和解釋。其中有一些有代碼示例，但是一般都是專注于公式和理論的，這些原理可以應用到各種語言、框架和問題。

A Course in Machine Learning

要點：為初學者準備的初涉機器學習的高質量文檔。此書仍在撰寫中——有一些章節依然標記著TODO——但是其高可讀性完全可以彌補這部分不足。

目標讀者：任何掌握微積分、概率論和線性代數的人都可以閱讀此書，不需要有任何編程語言專長。

代碼內容：有一些偽代碼，不過此書大部分用來展示的東西還是原理和公式。

The Elements of Statistical Learning

要點：超過500頁的文本，據作者稱，具體陳述了如何“從數據中學習”，對機器學習崗位需求的急劇升高顯示了這個領域的熱門程度。此書自2001年已經出版過兩個版本并印刷了10次，此書還有一大好處：跨度很大，不局限于一個領域。

目標讀者：統計學和數學基礎較好的、不需要將自己的數學形式轉換成代碼的人。

代碼內容：沒有。這并不是一本軟件開發的書，而是關于機器學習的理論基礎。

Bayesian Reasoning and Machine Learning

要點內容：?Bayesian（貝葉斯）方法是所有有關模式識別和垃圾過濾的基礎，所以逐漸形成了一個特殊的領域。此書涵蓋Bayesian統計的各個主要方面，闡述了它是如何應用的。

目標讀者：任何有微積分、概率論和線性代數基礎的人。

代碼內容：很多！每一個章節都有偽代碼和工具的鏈接，以及一些demo。而且，代碼并不是Python或R語言的，而是商業MATLAB環境，GNU Octave也可以作為一個開源的替代品。

Gaussian Processes for Machine Learning

重點內容：高斯處理也是貝葉斯方法的一部分。本書集中討論如何在一般機器學習方法中使用高斯原理，例如分類、回歸和模型訓練等。

目標讀者：大致和Bayesian Reasoning and Machine Learning差不多。

代碼內容：書中使用的代碼大多是偽代碼，但是和ayesian Reasoning and Machine Learning一樣，有些MATLAB/Octave代碼。

Machine Learning

重點內容：一個論文集，包括很多不同方面、內容深奧的機器學習知識。其中一些比較抽象，另一些專注于特定的問題，比如“模擬對話的機器學習方法”等。

目標讀者：想要在這方面深入學習的人。

代碼內容：有一些公式，沒有代碼。