有什么好的人工智能参考书吗？
毕晓普，模式识别和机器学习。没有影印，但是可以在网上下载。经典中的经典。模式分类和这本书是两本必读的书。《模式识别与机器学习》很新(2007)，很容易用简单的术语解释。
推荐两本有趣的书，
一个是让我们变聪明的简单启发法。
另一个是有限理性:适应性工具箱。
-
& lt转载自CSDN >
机器学习和人工智能学习资源指导
我经常在TopLanguage讨论组上推荐一些书籍，也经常请里面的牛人搜集一些相关资料。人工智能、机器学习、自然语言处理、知识发现(尤其是数据挖掘)和信息检索无疑是CS领域中最有趣的分支(它们之间也有着密切的联系)。在这里，一些与机器学习和人工智能相关的最新学习资源被归入一个类别:
首先，维基百科有两个很棒的条目。我也是维基百科的重度用户。在学习一个东西的时候，我经常发现它是从维基百科开始，经过几次谷歌，然后在一本或几本书里结束。
第一个是《人工智能的历史》，我在讨论组写道:
而我今天看到的这篇文章，是我在维基百科上看到的最好的。这篇名为《人工智能的历史》的文章，沿着AI的发展时间线，穿插了无数牛人的故事，一波三折，可谓“事实比想象更令人惊讶”。人工智能始于哲学思辨，经历了一个没有心理学(尤其是认知神经科学)帮助的阶段。它只是通过归纳、内省和数学工具探索了人类思维的外在表现。最激动人心的是希尔伯特·西蒙(决策理论之父，诺奖得主，跨学科天才)写的一台自动证明机，证明了罗素的数学原理中的20多个定理。其中一个定理比原书中的更优雅。Simon的程序使用了启发式搜索，因为公理系统中的证明可以简化为从条件到结论的树搜索(但由于组合的爆炸，必须使用启发式剪枝)。后来西蒙写了GPS(通用问题求解器)，据说可以解决一些形式化很好的问题，比如河内塔。但归根结底，西蒙的研究只触及了人类思维的一个非常小的方面——形式逻辑，甚至更狭义(即不包括演绎推理、转化推理(俗称分析思维)。还有很多奥秘，比如常识，视觉，尤其是最复杂的语言和一致性。另一个有趣的事情是，有些人认为AI问题必须有一个物理体来支撑。一个能感受到世界本身物理规律的身体，是一个强大的信息来源。基于这个信息来源，人类可以与时俱进地总结出所谓的常识性知识(这就是所谓的具身心智理论。)，否则像某些兄弟那样直接用手建立一个常识性的知识库就显得愚蠢和幼稚了。它是人们根据感知系统从自然中获取知识的动态自动更新系统，人工构建公共知识库与旧的专家系统无异。当然，以上只是总结了一小部分我个人觉得有趣或者新奇的东西，每个人看到有趣的东西是不一样的。例如，它相当详细地介绍了神经网络理论的兴衰。所以我强烈建议你再看看自己，别忘了其他地方的链接。
顺便说一下，许由会找时间翻译这篇文章，这篇文章很长。看不懂E的就等着看翻译吧:)
二是“人工智能”。当然还有机器学习等等。从这些条目中，我们可以找到许多非常有用和可靠的深入参考资料。
然后有一些书
书籍:
1.编程集体智能，近几年很好的入门书，培养兴趣是最重要的部分。乍一看，很容易吓跑一本伟大的书:P
2.Peter Norvig的《人工智能，现代方法2》(无可争议的领域经典)。
3.统计学习的要素是数学的，可以作为参考。
4.《统计自然语言处理基础》是自然语言处理领域公认的经典。
5.中国科学家写的一本书《数据挖掘，概念和技术》很简单。
6.管理千兆字节，一本信息检索的好书。
7.信息论:影响与学习算法，一本参考书，比较深入。
相关数学基础(参考书，不适合通读):
1.线性代数:这本参考书没有列出来，但是有很多。
2.矩阵数学:矩阵分析，罗杰·霍恩。矩阵分析领域无可争议的经典。
3.概率论与统计:概率论及其应用。这也是一本很棒的书，但是数学太强了，不适合机器学习。所以杜雷在讨论组中推荐了所有的统计数据，并说
在机器学习方向，统计学也很重要。推荐All of statistics，这是CMU的一本非常简明的教材，重点是概念，简化计算，简化概念和与机器学习无关的统计内容，可以说是一本很好的快速入门教材。
4.最优化方法:《非线性规划参考书》，第2版)。凸优化是一本关于凸优化的参考书。另外，维基百科上有一些书可以参考优化方法词条。要深入理解机器学习方法的技术细节，很多时候(比如SVM)需要优化方法作为铺垫。
王宁推荐了几本书:
《机器学习，汤姆·林可唯》，1997。
旧书，牛逼的人。现在看来内容不算太深，很多章节感觉有点远，但是很适合初学者(当然不可能“新”到连算法和概率都知道)。比如决策树部分很精彩，这几年也没什么大的进展，所以还不算过时。另外，这本书是对1997年之前几十年机器学习工作的一个很好的总结，参考文献列表极具价值。国内有翻译和影印。不知道是不是绝版了。
《现代信息检索》，李嘉图·巴埃萨-耶茨等。1999
旧书，牛逼的人。看起来像是第一本完整的关于IR的书。可惜IR这几年进步很快，这本书有点过时了。翻翻看看供参考就好。此外，里卡多现在是欧洲和拉丁美洲雅虎研究的负责人。
《模式分类(第二版)》，理查德·杜达，彼得·哈特，大卫·g·斯多克
也是01岁左右的大男人，有复印件，有颜色。我还没看完，但是如果想深入学习ML和IR，前三章(导论、贝叶斯学习、线性分类器)是必须的。
还有一些经典我只见过一次，没有资格评价。另外还有两本小册子，是文集，但是讲了很多前沿和细节，比如怎么压缩索引。可惜我忘了我的名字，我把它放在盒子的底部。下次搬家前恐怕就难见天日了。
(呵呵，我想起一本书:挖掘Web——从超文本数据中发现知识)。
说一本名著:《数据挖掘:实用机器学习工具和技术》。Weka的作者写的。可惜内容一般。理论部分太单薄，实践部分也很脱离实际。有很多DM入门书籍，不要看这本。如果你想了解Weka，只需阅读文档。第二版已经出版了，没看过，也不知道。
在信息检索方面，杜雷再次建议:
信息检索书籍现在建议看斯坦福的《信息检索导论》，刚刚正式出版，内容当然是最新的。另外，情报检索第一牛克罗夫特大师也在写教材，应该很快就要出版了。据说这是一本非常实用的书。
对信息检索感兴趣的学生强烈推荐翟程响博士在北京大学的暑期班课程。这里有完整的幻灯片和阅读资料:/~ course/cs 410/schedule . html。
Maximzhao推荐了一本关于机器学习的书:
加一本书:Bishop，模式识别，机器学习。不是影印的，但是可以在网上下载。经典中的经典。模式分类和这本书是两本必读的书。《模式识别与机器学习》很新(2007)，很容易用简单的术语解释。
最后推荐两本比较有意思的人工智能方面的书(尤其是决策和判断)。
一个是让我们变聪明的简单启发法。
另一个是有限理性:适应性工具箱。
与计算机科学采用的统计机器学习方法不同，这两本书更侧重于人类实际采用的认知风格。以下是我在讨论组写的简介:
这两本书是由德国ABC研究小组(一个由计算机科学家、认知科学家、神经科学家、经济学家、数学家和统计学家组成的跨学科研究小组)集体撰写的，它们引起了该领域的广泛关注，尤其是前一本，后一本是对希尔伯特·西蒙(决策科学之父、诺奖得主)提出的人类理性模型的扩展研究，可以说是将什么是真正的人类智能的问题摆到了桌面上。其核心思想是，我们的大脑不能进行大量的统计计算和使用fancy的数学方法来解释和预测世界，而是通过简单而鲁棒的启发式来面对不确定的世界(例如第一本书中提到的两个后来著名的启发式:认知启发式和取其精华)。当然，这两本书并不排斥统计学方法。数据量大的时候统计优势就出来了，数据量小的时候统计方法就变得很糟糕。人类简单的启发式规则充分利用了生态环境中的规律性，并且都实现了较低的计算复杂度和鲁棒性。
关于第二本书的介绍:
谁是希尔伯特·西蒙？
2.什么是有限理性？
3.这本书是关于什么的？
我一直觉得人类的决策和判断是一个很迷人的问题。这本书可以简单地看作是一个更全面和理论版本的决定和判断。本文从理论上系统地介绍了人类决策判断过程中的各种启发式算法及其优缺点(为什么它们是信息不充分情况下的快速鲁棒的优化方法的近似，为什么它们在某些情况下会带来不良后果等等。，比如学过机器学习的人都知道，朴素贝叶斯方法在很多情况下往往并不比贝叶斯网络差，而且速度更快；例如，多项式插值的维数越高，越容易过拟合，而基于低阶多项式的分段样条插值已被证明是一种非常稳健的方案。
这里有一个书里提到的例子，很有意思:两个团队被派去设计一个机器人，可以接住球场上扔过来的棒球。第一组做了详细的数学分析，建立了一个相当复杂的抛物线近似模型(因为空气阻力等原因不是严格的抛物线)，用来计算球的落点，以便正确接球。很明显，这个方案要花很多钱，实际操作也需要时间。众所周知，生物神经网络中的生物电流传输只有每秒100米以内，所以计算复杂度对于生物来说是一个宝贵的资源，所以这个方案虽然可行，但是还不够好。第二组采访真实的运动员，听他们总结如何接球的感受。然后他们做了这样一个机器人:机器人在扔球初期什么都不做，一直等到靠近，眼睛一直盯着球，保证了机器人的运行路线一定会和球的轨迹相交；在整个过程中，这个机器人只做非常粗略的轨迹估计。是不是接球的时候眼睛一直盯着球，然后根据视线角度调整跑动方向？其实人类就是这么做的。这就是启发式的力量。
相对于偏向心理学和科普的《决策与判断》，这本书理论性更强，有很多经典参考，而且和人工智能、机器学习有交叉。里面也有很多数学的内容。这本书由十几章组成，每一章都是由不同的作者写的。类似于论文，严谨无废话，就像解题心理学一样。更适合极客阅读。
另外，受不了理论的技术细节的人，也建议看《决策与判断》之类的书(还有《不要做一个正常的傻瓜》之类的傻瓜科普书)，对自己的人生决策大有裨益。在人类的决策和判断中使用了许多启发式方法。可惜很多都是建立在几十万年前的社会环境中，不适合现代社会。所以了解这些思维上的短板和盲点，对成为一个好的决策者大有裨益，本身也是一个非常有趣的领域。
(完)