深度学习数学》PDF 代码 + 《线性代数及其应用》第 5 版 PDF 学习规划

读取大量的数据、学习数据的特征并从中找出数据的模式的任务被称为机器学习或者模式识别，个人行为和生活的一部分已经被数字化，规模大到无法想象的数据也随之而生。不仅是数据量变多了，数据的种类也增加了。其中包括Web 网站的访问记录、博客上发布的博文和照片、邮件的发送记录、电商网站的购买记录等，数不胜数。人脸识别可以使用SNS 网站上与人物标签一起被上传的图像数据，而推荐系统则可以使用电商网站上的购买记录数据。不管是人脸识别还是推荐系统，都是从数据中学到的成果。比起可以学习到大量知识，计算机能够更快地处理数据，现在可以使用GPU 进行数值计算，Hadoop、Spark 之类的分布式处理技术也逐渐成熟，所以才说现在“具备了能够处理大量数据的环境”。

立石贤吾《白话机器学习的数学》PDF+源代码
《白话机器学习的数学》中文PDF，277页，有详细书签目录，文字可以复制；配套源代码；立石贤吾著
下载: https://pan.baidu.com/s/1_I5hcwjqOiF_SzF_2YHuKw
提取码: cus5

通过利用机器学习解决问题的方法，可以“根据投入的广告费来预测点击量”为题材，学习回归。先利用简单的例子来思考为了预测需要引入什么样的表达式，然后考虑如何才能使它接近最适合的结果。以“根据图像的大小，将其分类为纵向图像和横向图像”为题材，学习分类。首先考虑为了实现分类需要引入什么样的表达式，然后考虑如何才能使它接近最适合的结果。学习如何对模型进行评估，以及用于评估的指标有哪些。使用Python 进行编程把用表达式思考的内容编写为代码。

我们在学习线性代数课程时，经常遇到学习抽象理论和应用矩阵方法的矛盾，我们应该了解线性代数课程的世界发展趋势和新的教学进展。线性代数的应用范围覆盖自然科学和社会科学的各个方面， 在处理高维问题时， 向量空间和矩阵运算更是这些学科的理论基础和基本工具。在计算机和经济管理等学科， 线性代数的重要性远远超过微积分。我的感受是从事数据处理和数据分析、优化的朋友，一定要学好数学，尤其是线性代数。一些知识点，可以深入浅出，从多个维度进行解释，彼此之间相互关联。一步一步，循序渐进。 由基础理论向量空间，到后面的正交分解，凸包，贝塞尔曲线，数学和研究的美感，淋漓尽致。

 

《线性代数及其应用第5版》中文PDF+习题解答手册+英文PDF
《线性代数及其应用第5版》中文PDF，567页，带详细目录，文字可复制，David C Lay著，刘深泉译；配套第5版习题解答手册，454页；第5版英文PDF，713页。
下载: https://pan.baidu.com/s/1PlzFkJtQLvru29o51g3VBQ
提取码: 3ky7

给出新的线性代数基本介绍和一些有趣应用，目的是帮助掌握线性代数的基本概念及应用技巧，为后续课程的学习和工作实践奠定基础。主要内容包括线性方程组、矩阵代数、行列式、向量空间、特征值与特征向量、正交性和小二乘法、对称矩阵和二次型、向量空间的几何学等，包含大量的练习题、习题、例题等，便于参考。给我的感受是内容既有深度，又有广度，讲得清晰易懂，又能联系实际应用，很好的入门和复习书，图片形象展示了数学工具也有物理意义，数形结合妙哉，而且还与计算机巧妙的结合起来。一本让我觉得“哇，数学这么神奇”的书，粗浅地过了一遍，很适合入门，很适合工科。

从数学上看，神经网络是一种用于数据分析的模型，这个模型是由权重和偏置确定的。像权重和偏置这种确定数学模型的常数称为模型的参数。除了参数以外，数据分析的模型还需要值根据数据而变化的变量，但是参数和变量都用拉丁字母或希腊字母标记，这会引起混乱。而区分用于代入数据值的变量和用于确定模型的参数，对于逻辑的理解是不可或缺的。

《深度学习的数学》PDF+示例xls+涌井良幸

《深度学习的数学》PDF，244页，带目录，文字可以复制；配套示例Excel文件；作者: 涌井良幸，涌井贞美 ，译者: 杨瑞龙
下载: https://pan.baidu.com/s/17_MYg_9pNVPip2fgjNerQw
提取码: 4ebe

《深度学习的数学》基于丰富的图示和具体示例，通俗易懂地介绍了深度学习相关的数学知识。第1章介绍神经网络的概况；第2章介绍理解神经网络所需的数学基础知识；第3章介绍神经网络的最优化；第4章介绍神经网络和误差反向传播法；第5章介绍深度学习和卷积神经网络。书中使用Excel进行理论验证，帮助直观地体验深度学习的原理。

研究机器人时，使机器人能够应对环境、传感器、执行机构、内部模型、近似算法等所带来的不确定性是必须面对的问题。

概率机器人在slam领域被推荐，内容也很充实，对概率机器人学这一新兴领域进行了全面的介绍。概率机器人学依赖统计技术表示信息和进行决策，以容纳当今大多数机器人应用中必然存在的不确定性，是机器人学的一个分支。它依赖统计技术表示信息和制定决策。这样做，可以接纳在当今大多数机器人应用中引起的不确定性。本书主要专注于算法，对于每种算法，均提供了四项内容：伪码示例；完整的数学推导；实验结果；算法优缺点的详细讨论。

《概率机器人》PDF中英文F+代码+习题解答+课件，中文PDF，513页，文字可以复制；英文PDF，668页，文字可以复制；配套习题解答和代码；配套课件。

下载: https://pan.baidu.com/s/1qjJG7E-3KYmn8cXteT6i6Q
提取码: bkyq

《概率机器人》包括了基础知识、定位、地图构建、规划与控制四大部分。共17章，每章的后都提供了练习题和动手实践的项目。致力于用概率的方法明确地表示不确定性，并研究机器人感知和机器人规划与控制的不确定性，以降低机器人系统的不确定性，使机器人能 工作于应用环境中，完成定位、地图构建、规划与控制。

学习人工智能概论时，推荐看看《人工智能:一种现代的方法第三版》，最权威、最经典的人工智能教材，已被全世界100多个国家的1200多所大学用作教材。

全面性以及结构的安排还是不错的，值得推荐，相信每个人都能从中获得自己觉得收获，而对于已经有基础的人来说或许会更有帮助。

《人工智能:一种现代的方法第3版》分为七大部分：第1部分“人工智能”，第II部分“问题求解”，第III部分“知识、推理与规划”，第IV部分“不确定知识与推理”，第V部分“学习”，第VI部分“通信、感知与行动”，第VII部分“结论”。

《人工智能 一种现代的方法第3版》中文PDF+英文PDF，中文PDF，944页，带书签目录。英文PDF，1145页，带书签目录。

下载: https://pan.baidu.com/s/1VAyklZVAA1KpQpgzS_vZBg

提取码: ssrg

从模型和算法的角度出发，人工智能的体系大致包括： 数据搜索、逻辑推理、机器学习(机器学习、深度学习、强化学习)、博弈对抗、前沿性问题(视觉、听觉、语言、触觉等）。 人工智能的体系当然不止这些。还应该有法律、伦理等，所以这是一门新兴的学科。

《凸优化》这本书感觉翻译得很好，是原理和应用的一个很好的折中，两方面都有太多值得深挖的东西。

主要是面向实际应用，提供了凸优化的理论框架，但不强调复杂的定理证明。丰富的实例是其特色。实例涉及的领域非常广例如通信，金融，机器学习等等。

机器学习会涉及到优化内容，凸优化内容非常丰富。理论部分不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题以及将特殊的优化问题表述为凸优化问题的变换方法，这些内容对灵活运用凸优化知识解决实际问题非常有用；应用部分分别介绍凸优化在解决逼近与拟合、统计估计和几何关系分析这三类实际问题中的应用；算法部分依次介绍求解无约束凸优化模型、等式约束凸优化模型以及包含不等式约束的凸优化模型的经典数值方法，以及如何利用凸优化理论分析这些方法的收敛性质。

《凸优化》中文版PDF+英文版PDF+习题题解，中文PDF，715页，带书签目录；英文PDF，732页，带书签目录；配套习题题解。

下载: https://pan.baidu.com/s/1NLcyJ4JEwlSqwJ2dWGHx3Q

提取码: 24f8

 个人觉得收获的不只是知识，更重要的是思维方式在潜移默化中得到锻炼和提升。在这个过程中可以学习到如何问问题、判断问题的价值、分析和解决问题以及如何更加直观的理解抽象的知识。 可以逐步建立起一个清晰的理论框架：哪些知识重要，哪些知识是技术细节，听完课后十分清晰。

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。。。

《机器学习与优化》中文PDF+英文PDF，中文PDF，288页，带目录，彩色配图，文字可复制；英文PDF，325页，带目录，彩色配图，文字可复制。

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。

 最优化方法和理论来源于军事、管理、经济和工程技术领域的各个方面，其内容的深度和广度也随着各个不同阶段的科学技术水平而发展。数据是实践中的真实数据，解决问题的人员组成是多学科的，处理问题的方法渗透着物理学的思想。

《非线性最优化基础》从凸分析的观点全面系统地介绍了非线性最优化的基本理论，是国际著名优化专家Masao Fulkushima教授的最新力作。详尽透彻地讲解了(光滑与非光滑优化问题、半定规划问题等)各类优化问题的最优性理论、稳定性理论、灵敏度分析、对偶性理论以及相关的凸分析基础等，还深入介绍了变分不等式问题、非线性互补问题以及均衡约束数学规划问题等均衡问题的最新结果。

《非线性最优化基础》PDF+《非线性最优化计算方法》PDF，《非线性最优化基础》PDF，196页，带书签，文字可复制，《非线性最优化计算方法》PDF，421页，文字可复制 。

下载: https://pan.baidu.com/s/17iIElfRnQgb5_PnGgt9Odg 
提取码: cihe

算是蛮有特色的优化教材，侧重理论，特别是最后一章简单介绍了VI、CP以及MPEC的内容。作者还整合了非光滑分析的基础理论，因此对入门者而言，通过学习此书可以在较短的时间内同时对传统的凸分析与较新的非光滑分析有一个大致的了解。

《非线性最优化计算方法》在课程内容的处理上遵循如下原则：突出方法，注重概念，适当介绍算法的基本理论；强调应用，加强算法实现的基本训练；引导主动思考，激发学习兴趣；通过算法到程序设计有序而系统的训练，提高程序设计的能力。分为上、下两篇。上篇共9章，介绍无约束最优化方法，包括基础知识（介绍凸集的基本性质，函数及凸函数的最优性条件），最优化问题及无约束最优化算法综述，以及求解无约束最优化问题的各种算法。下篇共8章，介绍约束最优化方法，包括线性规划问题及其解法，非线性规划的最优化条件及常用的算法，以及离散系统的动态规划方法等。

 贝叶斯推理的方法非常自然和极其强大。大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。《贝叶斯方法概率编程与贝叶斯推断》从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，都可以入门并掌握。

《贝叶斯方法 概率编程与贝叶斯推断》中文PDF+英文PDF+源代码，中文PDF，232页，带书签目录；英文PDF，233页；含源代码。

下载: https://pan.baidu.com/s/1rT9y9jDnR7mZAp3xBakYXg

提取码: fivs

 

贝叶斯推理的方法非常自然和极其强大。然而，大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。《贝叶斯方法概率编程与贝叶斯推断》从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，使大多数程序员都可以入门并掌握。通过强大的Python语言库PyMC，以及相关的Python工具，包括NumPy\SciPy\Matplotlib讲解了概率编程。通过介绍的方法，只需付出很少的努力，就能掌握有效的贝叶斯分析方法。

学习机器学习时，我们一定要掌握scikit-learn的使用。推荐学习《scikit-learn机器学习常用算法原理及编程实战》，案例也采用的是中文数据，比较适用。《scikit-learn机器学习常用算法原理及编程实战》例子都比较通俗易懂，可以作为入门书，有实例代码和复习题，结合scikit和具体算例介绍机器学习的常用算法和scikit的使用，挺好的。

《scikit-learn机器学习常用算法原理及编程实战》PDF+源代码+黄永昌，《scikit-learn机器学习常用算法原理及编程实战》原版PDF，224页，带书签目录，文字可以复制。配套源代码。

下载: https://pan.baidu.com/s/1kW_hOes7V9yubgGZg99aSg
提取码: 2kg5

《scikit-learn机器学习常用算法原理及编程实战》通过通俗易懂的语言、丰富的图示和生动的实例，拨开了笼罩在机器学习上方复杂的数学“乌云”，学习者可以较低的代价和门槛轻松入门机器学习。《scikit-learn机器学习常用算法原理及编程实战》分为11章，主要介绍了在Python环境下学习scikit-learn机器学习框架的相关知识。主要内容有机器学习概述、Python机器学习软件包、机器学习理论基础、k-近邻算法、线性回归算法、逻辑回归算法、决策树、支持向量机、朴素贝叶斯算法、PCA 算法和k-均值算法等。

 

  学习R语言必然要看R语言实战，R语言实战理论联系实践，非常简洁明了，从入门到高阶，感觉各个层次的编程人员都可以用到。

《R语言实战第2版》注重实用性，是一本全面而细致的R指南，高度概括了该软件和它的强大功能，展示了使用的统计示例，且对于难以用传统方法处理的凌乱、不完整和非正态的数据给出了优雅的处理方法。作者不仅仅探讨统计分析，还阐述了大量探索和展示数据的图形功能。新版做了大量更新和修正，新增了近200页内容，介绍数据挖掘、预测性分析和高级编程。

《R语言实战第2版》中文PDF+英文PDF+源代码，中文PDF， 558页， 带目录书签，文字可复制；英文PDF， 628 页， 带目录书签，文字可复制；配套源代码；

下载: https://pan.baidu.com/s/1PROSLbSStV5fyjfVXmxE2Q
提取码: ynxx

侧重实践，尽管是一本面向R初学者的书，但里边还有其他好的东西；很好地解决了初学者学会一大把语法细节却不知道如何应用长时间得不到成就感的问题。涉及内容虽多，但都抓住了最本质的部分讲，非常清晰。

真正的编程入门。没有专门去讲语法，而是在讲案例，做实用工具的过程中，穿插必要的知识，由问题引出语法点。这样读者从一开始就知道所用工具的存在价值，印象必然更深刻。Learn by creating，对初学者来说要比捧一本语法书好许多。在介绍module时又适时地讲了namespace的概念，以及文件和错误。

总而言之，更侧重实践，更重视内容之间的逻辑关联，遵从人们的真实学习过程来编排内容，而不是去刻意地梳理出所谓的知识体系。

《普林斯顿概率论读本》中文PDF+英文PDF

《普林斯顿概率论读本》中文PDF，735页，有详细书签目录，文字可以复制；《普林斯顿概率论读本》英文PDF，737页，有详细书签目录，文字可以复制。

下载: https://pan.baidu.com/s/1kFZSCEbjs5HdRbG_8zOtWA
提取码: viw9

通过大量现有的例子和已经实现的代码来掌握内容, 不仅要引导对方程和定理为什么成立展开大量讨论,还要引导不断探讨为什么这些方程和定理具有这样的形式. 除了那些已有答案的问题之外, 关于定理的证明, 给出了很多解释说明, 其中重点讨论了为什么某些论证是显然成立的, 以及我们为什么想要得到具有某种特定形式的答案.
弄清楚某些结论为何成立以及应当采用什么样的思路来证明, 将帮助更加正确地使用这些结论并从中挖掘出新的相关知识.

拉菲《普林斯顿数学分析读本》中文PDF+英文PDF
《普林斯顿数学分析读本》中文PDF，221页，有书签，文字可复制；英文PDF，201页。译者李馨。
下载: https://pan.baidu.com/s/1yv6wpgWwH-vZZg1cUeLZHQ
提取码: s2d1

讲解了实分析的基础内容，包括基本的数学与逻辑、实数、集合、拓扑、序列等．以通俗易懂且略带幽默的口吻讲述了两步式求解方法：首先展示如何回溯到求解问题的关键，
之后说明如何严谨规范地写下解题过程．给出了丰富的示例，帮助学生巩固所学知识．
数学家把实分析称为严格的微积分．“严格”意味着我们进行的每一步以及使用的每一个公式都必须得到证明．如果从一组称为公理或假说的基本假设出发，那么我们总是可以通过一个又一个合理的步骤得到最终想要的结论．

在微积分中，你可能已经证明了一些重要结论，但其中有很多结果被认为是显而易见的．究竟什么是极限，如何确定什么时候无穷和会“收敛”到一个数？每一门实分析基础课都会重新介绍连续性、可微性等这些你曾见过的概念，但这一次，我们要弄清楚这些概念的本质．当弄清楚这些之后，你基本上就证明了微积分的合理性．
实分析通常是纯数学理论的第一门课程，因为它在熟悉的材料背景下向你介绍纯数学的重要思想和方法．
一旦严格地掌握了那些熟悉的概念，你就可以把这种思维方式应用到不熟悉的领域里．实分析的核心问题是：“如何把某些概念（比如和）推广到无限的情形？”如果不进行严格论证，我们就无法理解像无穷和这样的难题．因此，你必须掌握那些核心的证明技巧，进而将它们应用到那些更有趣的新问题上（并非高中微积分）．
积极地阅读．把那些我希望你填充的空白补充完整．即便是那些我没有提到的地方，也要做笔记．如果你习惯通过不断重复来学习，那就把定义抄到笔记本上；如果你希望有直观的认识，那就多画些图．在页边空白处写下你想到的任何疑问．当你把一章读完两遍之后，如果仍有解决不了的问题，那就问问你的学习小组、助教或者教授（也可以分别都问一遍；你听到的越多，你就会学得越好）．在阅读每一章时，尽量总结其主要思想或方法．你会发现，几乎每个主题都有一两个可以用来解决大部分证明的技巧．