数学：

高等数学、数理统计与概率论，工程线性代数，数值分析，矩阵论，凸优化。 我花了将近半年时间全职看完这些书，结论是：数学投入的性价比及其低，因为这是书中牵扯到机器学习中的知识很零碎，我感觉占比不到10%。但是有些知识是必看的：1：高等数学中的如何求导（链式求导）2.数理统计与概率论前八章必须看。线性代数只需要了解下矩阵相乘和特征分解和特征向量，数值分析中一定要看牛顿法和最小二乘法，矩阵论中了解下范式即可。凸优化看一下第二章凸集，重点了解下半平面即可。 剩下的数学等用到再学不迟。不然过大的数学投入，很容易让人放弃。

机器学习

然后评价以下机器学习网红书：统计学习方法，机器学习代码实战，周志华的西瓜书，Hands on Machine Learning with Scikit Learn and Tensorflow, An Introduction to Statistical Learning(简称ISL), Python Machine Learning

统计学习方法：纯算法介绍，基本没有代码级别的介绍。入门必看，但是有个缺点：有些算法介绍的过于抽象，建议搭配网上的代码实现来看。我参考的是:https://blog.csdn.net/wds2006sdo/article/details/53106579
统计学习方法：干货理论，无代码，和代码实战结合看效果好。 代码实战只是玩具级别的实现，想看工业界别的实现，Hands on Machine Learning with Scikit Learn 。。。即可。 Python Machine Learning，内容多而不深，适合有一定基础的人相当于做个备忘录。ISL是做线性回归的必看之书。

机器学习代码实战：网上一片声音哭着喊着这本书非常好。其实我不觉得，这本书我觉得很尴尬的地位：说理论介绍八，它没有，说真正实践把，又是自己手写的算法，离产品化很远。我觉得这本书就是给想入门机器学习又害怕数学的软件出身人员人弄的一套代码级别的书，看完误认为自己懂了机器学习，其实深陷在代码细节中，怎么可能做到只见森林不见树木？不过个人这个感觉看这个本要结合李航的统计学习方法一起看
不过这本书（代码实战）我还是推荐看的。后面我会说为什么

周志华的西瓜书：内容庞大，不合适入门。非要作为入门书的话，前期看起来比较痛苦。大多停留在理论介绍（不过我们也需要理论介绍），适合对机器有点认识的人做参考书

Hands on Machine Learning with Scikit Learn and Tensorflow：这本书有点相见恨晚的感觉，我觉得这本书作为入门书也不错，而且是工业级别的应用，看完就可以打kaggle。很多代码工作中也可以用，算法介绍详细，结合配套github看完这人茅塞顿开。

An Introduction to Statistical Learning(简称ISL)：据说是ESL的入门书，ESL太厚了，太多数学公式，我还是转战ISL吧，听说还是斯坦福的教材。果然不负众望，内容逻辑性强，从variance/bias的trade off的角度介绍了很多算法。回归很分类问题。如果没学过线性回归，这本书必看无疑

Python Machine Learning：这个书也不错，不像机器学习代码实战那样，实现一些玩具库。这本书主要使用skicit-learn对算法进行介绍。可惜的一点是，主要介绍了分类问题，对回归和无监督介绍的很少。这本书的亮点是：代码工业级别，必须的数学证明。缺点是：没有像ISL那样对各种算法适合的场景进行对比介绍
Python Machine Learning：适合机器学习中级阅读者
打比赛的时候或者工作的时候这个用还是不错的

Deep Learning with Python：网上把这本书连同Hands on Machine Learning with Scikit Learn。。。和Python Machine Learning还有花书并列为机器学习四大名著。Deep Learning with Python这本书的keras的作者写的，里面很少牵扯数学公式，上来就给你介绍如何用keras，把深度学习库当个黑盒来用。嗯，入门可以，但是谈到看完用它来打比赛和工作，还有点远，貌似，不过看完能对深度学习有点感性的了解