I am learning machine learning process that we can refer to "follow Dige learn Python data analysis and machine learning practical" and "layman's language Python Machine Learning."
Learn python, then for data analysis and machine learning at the same time be able to combat, in accordance with this process, there is a great help for AI lovers, recommended learning "follow Dige learn Python data analysis and machine learning combat" combination of machine learning, data analysis and Python languages, user-friendly way through the case to explain how the algorithm is applied to the actual task. 20 chapters, divided into four sections. Part 1 describes the Python toolkit, including scientific computing library Numpy, data analysis library Pandas, visualization library Matplotlib; Part 2 explains the classical algorithm in machine learning, such as regression algorithm, decision trees, ensemble algorithm, support vector machine , clustering algorithm; part 3 describes the depth of the learning algorithm used, including neural networks, convolutional neural network, recurrent neural network; part 4 project combat, based on real data sets, the algorithm is applied to the actual business model in. For beginners and enthusiasts of artificial intelligence, machine learning, data analysis and other interest.
Tang Yu Di "follow Dige learn Python data analysis and machine learning practical" PDF + Source Code
"follow Dige learn Python data analysis and machine learning practical" PDF, 497 pages, with a table of contents, text can be copied; supporting source code; Author: Tang Yu Di.
Download: https://pan.baidu.com/s/1rUHfhM3at22nMw5WZjS7jQ
extraction code: mj6z
I like the introduction to classic network architecture, the overall convolution neural network architecture, AlexNet network, VGG network, ResNet network, TensorFlow real neural network convolution most; there is a good neural network project combat - Critics sentiment analysis, involves recursion neural networks, RNN network architecture, LSTM network, data features project critics, the word vector data feature production, build RNN model.
分布式机器学习这个领域也是人工智能中的一个研究重点。《分布式机器学习:算法、理论与实践》全面展示了分布式机器学习的理论方法与实践，很好的给了视野，要细节可去读书中引用的论文，知识框架清晰，信息量大。
理论分析章节很学术，可以作为研究生从事分布式机器学习方向研究的参考文献，也可以作为人工智能从业者进行算法选择和系统设计的工具书。
全书共12章，第3章不错，给出了整个分布式机器学习框架的综述。
学习参考：
《分布式机器学习：算法、理论与实践》PDF，273页，带书签目录，文字可以复制。
下载: https://pan.baidu.com/s/1Prw48Gx9w87dTsYnnURFFw
提取码: wys4
第1章是绪论，向大家展示分布式机器学习这个领域的全景。第2章介绍机器学习的基础知识。第3章到第8章是本书的核心部分，向大家细致地讲解分布式机器学习的框架及其各个功能模块。第4章到第8章则分别针对其中的数据与模型划分模块、单机优化模块、通信模块、数据与模型聚合模块加以介绍。接下来的三章是对前面内容的总结与升华。其中第9章介绍由分布式机器学习框架中不同选项所组合出来的各式各样的分布式机器学习算法，第10章讨论这些算法的理论性质，第11章则介绍几个主流的分布式机器学习系统（包括Spark MLlib 迭代式MapReduce系统，Multiverso参数服务器系统，TensorFlow数据流系统）。
最后的第12章是全书的结语，在对全书内容进行简要总结之后，着重讨论分布式机器学习这个领域未来的发展方向。
基于python学习机器学习，建议看看《深入浅出Python机器学习》，采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。适合有一定程序设计语言和算法基础的读者学习使用。
《深入浅出Python机器学习》PDF+代码
《深入浅出Python机器学习》PDF，280页，带书签目录，文字可以复制。作者：段小手
下载: https://pan.baidu.com/s/1iCCcAMO4hqYI6k_Vc_4wXA
提取码: jyn5
机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者京东这样的电子商务网站购买商品，或者在爱奇艺或是腾讯视频这样的视频网站观看节目，甚至只是进行一次百度搜索，就已经触碰到了机器学习的应用。
使用这些服务的用户会产生数据，这些数据会被收集，在进行预处理之后用来训练模型，而模型会通过这些数据来提供更好的用户体验。此外，目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及，如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中，现在就是一个非常理想的时机。
研究大数据和数据挖掘的都知道，并行化算法研究是大数据领域一个较为重要的研究热点。近年来国内外开始关注在 Spark 平台上如何实现各种机器学习和数据挖掘并行化算法设计。Spark 提供了大量的库，包括SQL、DataFrames、MLlib、GraphX、Spark Streaming。 开发者可以在同一个应用程序中无缝组合使用这些库。
《深度实践Spark机器学习》PDF+吴茂贵
《深度实践Spark机器学习》PDF，247页，带书签目录，文字可以复制；作者 吴茂贵等。
下载: https://pan.baidu.com/s/1erZxFaKoa2vKSun1tgQPFA
提取码: 73t6
系统讲解了Spark机器学习的技术、原理、组件、算法，以及构建Spark机器学习系统的方法、流程、标准和规范。此外，还介绍了Spark的深度学习框架TensorFlowOnSpark，以及如何借助它实现卷积神经网络和循环神经网络。
《自己动手写神经网络》讲解通俗易懂，使用简单的语言描述人工神经网络的原理，并力求以具体实现与应用为导向，除了理论介绍外，每一章节的应用和实践都有具体的实例实现，达到学以致用。
葛一鸣《自己动手写神经网络》PDF+源代码
《自己动手写神经网络》PDF，212页，带书签目录，文字可以复制。配套源代码。作者:葛一鸣
下载: https://pan.baidu.com/s/1w927HWOXAYuYqeQtcmSnJg
提取码: pgmu
《自己动手写神经网络》分为11章，主要内容为：
简单的人工神经网络模型和理论应用；介绍了一个基于Java的人工神经网络框架Neuroph；介绍了基于Neuroph开发一个简单的人工神经网络系统—感知机；介绍了ADALINE网络以及使用Neuroph实现ADALINE神经网络；
介绍了BP神经网络的基本原理和具体实现；介绍了BP神经网络的具体实践应用；介绍了Hopfield网络的原理、实践和应用；介绍了双向联想网络BAM的原理、实践和应用；介绍了竞争学习网络，特别是SOM网络以及相关算法与实现；介绍了PCA方法以及与PCA方法等价的PCA神经网络。
学习优化《机器学习与优化》中文PDF+英文PDF
《机器学习与优化》中文PDF，288页，带书签目录，彩色配图，文字可以复制；《机器学习与优化》英文PDF，325页，带书签目录，彩色配图，文字可以复制。作者: [意] 罗伯托·巴蒂蒂 / [意] 毛罗·布鲁纳托 译者: 王彧弋
下载: https://pan.baidu.com/s/1TDeFWL0j3f2Jay5FI7sH3Q
提取码: kyfi
通过讲解机器学习中的监督学习和无监督学习，并结合特征选择和排序、聚类方法、文本和网页挖掘等热点问题，论证了“优化是力量之源”这一观点，为机器学习在企业中的应用提供了切实可行的操作建议。
正在学习机器学习中的优化处理，感觉《机器学习与优化》写得还是比较通俗易懂的，第七章特征选择我需要，特征提取：相关系数，相关比，熵和互信息。。更高级的应该是文本挖掘的特征提取，比如LDA提取文本相似度或者自己给予问题需要构建特征变量。。。
在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。从算法和Python 语言实现的角度，认识机器学习。专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。详细讨论预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
《Python机器学习—预测分析核心算法》中文PDF+英文PDF+源代码
中文PDF，338页，带目录和书签，文字能够复制。英文PDF，361页，带目录，文字能够复制。配套源代码。
下载: https://pan.baidu.com/s/1viZe2cnUdnOX9Js5HAvQbA
提取码: qqm9
神经网络是一种模拟人脑的神经网络，以期能够实现类人工智能的机器学习技术。神经网络就是给定输入，经过一些处理，得到输出。当不知道具体的运算处理方式时，尝试使用模型来估计其运作方式，在这个过程中可以基于模型输出和已知真实实例之间的比较来得到误差、调整参数。常见的神经网络模型包括分类器和预测器。分类器是将已有数据分开；预测是根据给定输入，给出预测的输出。本质上没有太大差别。在分类过程中其实就是要找到线分开各组数据，关键就是确定这条线，也就是确定斜率。
推荐非常适合入门神经网络的《Python神经网络编程》，主要是三部分： 介绍神经网络的基本原理和知识；用Python写一个神经网络训练识别手写数字；对识别手写数字的程序的一些优化。
《Python神经网络编程》中文PDF+英文PDF+源代码
《Python神经网络编程》中文PDF，255页，带目录，彩色配图，文字可复制；英文PDF，207页，带书签，彩色配图，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1__Gvf950IP3JyaLrxmVFWA
提取码: cbrj
《Python神经网络编程》揭示神经网络背后的概念，并介绍如何通过Python实现神经网络。全书分为3章和两个附录。第1章介绍了神经网络中所用到的数学思想。第2章介绍使用Python实现神经网络，识别手写数字，并测试神经网络的性能。第3章带领读者进一步了解简单的神经网络，观察已受训练的神经网络内部，尝试进一步改善神经网络的性能，并加深对相关知识的理解。附录分别介绍了所需的微积分知识和树莓派知识。
跟着作者一步一步地写完了那个图像识别的神经网络的代码，运行了25分钟，最后正确率是97.44%，还挺有意思的。。。
在过去的十年中，机器学习用户急剧增长，从计算机科学、工程和数学系中相对较小的圈子，到现在学术界各个领域的学生和研究人员、工业界的从业者、数据科学家、企业家以及机器学习爱好者。将机器学习的标准课程分解成最基本的部分并进行了重新编排（经过精心打磨和组织），我们认为这将使广大的学习者受益匪浅。对最重要的概念进行了新颖、直观而又严谨的描述，它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。为有兴趣理解机器学习核心概念（从基本原理到实际应用）而写的，只需基本了解线性代数和微积分（即向量和矩阵运算，以及计算多元函数的梯度和海森矩阵的能力），再加上一些以前接触的计算机编程的基本概念（即条件和循环结构）。
《机器学习精讲:基础、算法及应用》中文PDF+英文PDF+源代码
《机器学习精讲:基础、算法及应用》中文PDF，236页，带目录，文字可以复制；英文PDF，301页，带书签目录，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1JvGzQcpj9rEaLJfCY09_hA
提取码: 3t6z
优先使用新颖且一致的几何观点来描述每个概念的基本原理，推迟使用概率、统计以及神经学方面的观点。我们认为这种方式不仅能让读者更直观地理解许多核心概念，还有助于建立概念之间的联系，而这些概念（如逻辑回归、支持向量机、分类器、核方法以及前馈神经网络）通常被认为是完全不同的。也非常重视算法的设计和实现，提供了许多编程习题。我们坚信，大部分的学习时间都是在自己动手编写程序的过程中度过的。
机器学习精讲:基础、算法及应用为了解机器学习提供了一种独特的途径。包含了新颖、直观而又严谨的基本概念描述，它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。按照几何直觉、算法思想和实际应用（纵贯计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科）的顺序，提供了深入浅出的基础知识和解决实际问题所需的实用工具。还包含了基于Python和MATLAB/OCTAVE语言的深入习题，以及对数值优化前沿技术的全面讲解。
言简意赅，理论讲的清楚明白，而且对数学基础要求并不高，众多的几何配图使读者能够更直观的理解这些代数公式的含义，例题合理的穿插在正文中，设计得很用心，读起来显浅易懂。
近年来，Python语言成为了广受欢迎的编程语言，而它在机器学习领域也有很好的表现。scikit-learn是一个用Python语言编写的机器学习算法库，它可以实现一系列常用的机器学习算法，是一个好工具。从感知机到人工神经网络，非线性决策边界，前馈人工神经网络和反馈人工神经网络，多层感知机，训练多层感知机，反向传播，训练一个多层感知机逼近XOR函数，训练一个多层感知机分类手写数字。通过14章内容，详细地介绍了一系列机器学习模型和scikit-learn的使用技巧。从机器学习的基础理论讲起，涵盖了简单线性回归、K-近邻算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K-均值算法、主成分分析等重要话题。
《scikit-learn机器学习第2版》中文PDF+英文PDF+源代码
《scikit-learn机器学习第2版》中文PDF，290页，带书签目录，文字可以复制；《scikit-learn机器学习第2版》英文PDF，249页，带书签目录，文字可以复制；配套源代码。作者: [美]加文·海克（Gavin Hackeling） 原作名: Mastering Machine Learning with scikit-learn - Second Edition 译者: 张浩然
下载: https://pan.baidu.com/s/1OvRdSEBrFDbes6ivYtxqUg
提取码: 6p8q
适合机器学习领域的工程师学习，也适合想要了解scikit-learn的数据科学家阅读。将有效提升自己在机器学习模型的构建和评估方面的能力，并能够高效地解决机器学习难题。
我认为第4章特征提取写的不错，从类别变量中提取特征，特征标准化，从文本中提取特征，词袋模型，停用词过滤，词干提取和词形还原，tf-idf权重扩展词包，空间有效特征向量化与哈希技巧，词向量，从图像中提取特征，从像素强度中提取特征，使用卷积神经网络激活项作为特征。
