原文：
www.kdnuggets.com/2018/04/7-books-mathematical-foundations-data-science.html
评论
大多数人学习数据科学时侧重于编程。然而，要真正精通数据科学（和机器学习），你不能忽视数据科学背后的数学基础。在这篇文章中，我展示了七本我在学习数据科学数学基础时喜欢的书籍。‘喜欢’可能不是最合适的词，因为这项工作很艰难！
那么，为什么你应该努力学习数据科学的数学基础呢？
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
以下是一些激励我的原因：
AI 正在迅速变化。Geoffrey Hinton 已经认为我们应该重新思考反向传播。理解数学将帮助你更好地理解 AI 的演变。它将帮助你区别于那些从表面层次接触 AI 的人。这也将帮助你更好地看到 AI 的知识产权(IP)潜力。最后，理解数据科学背后的数学也可能使你获得更高端的 AI 和数据科学职位。
我有两个额外的动机来研究这些书籍。
-
首先，作为我在牛津大学教授物联网数据科学课程的一部分，以及我个人在 AI 应用方面的教学，我包括了基于数学的方法。
-
其次，我正在写一本书，旨在从数学角度简化 AI，以适合 14 至 18 岁的学生。要理解数据科学和 AI 的数学基础，你需要了解四个方面，即线性代数、概率论、多变量微积分和优化。大多数这些内容在高中（至少部分）会教授。因此，我试图将高中数学与 AI 和数据科学联系起来，重点是数学建模。欢迎对这种方法提出评论。
所以，这是带有我评论的书单：
1. 统计学习理论的本质
作者：弗拉基米尔·瓦普尼克
你不能创建一个关于数学书籍的列表而不包括伟大的俄罗斯数学家！所以，我列表中的第一个是统计学习理论的本质，作者是弗拉基米尔·瓦普尼克。在这个列表中的所有书籍中，瓦普尼克的书是最难找到的。我有一本较旧的印度版。弗拉基米尔·瓦普尼克是 SVM 的创造者。他的维基百科页面提供了更多关于他工作的内容。
作者：理查德·O·杜达
像瓦普尼克博士的书一样，杜达的书也是另一个时代的经典。首次出版于 1973 年，25 年后（2000 年）更新一次，之后没有再更新！但仍然是一个重要的资源。这本书采用了模式识别的方法，提供了广泛的算法覆盖。
3. 机器学习：算法视角（第二版）（Chapman & Hall/Crc 机器学习与模式识别）
作者：斯蒂芬·马斯兰
斯蒂芬·马斯兰的书现在已经是第二版了。马斯兰是我早期读过的书之一（我只有第一版）。两版都非常好。我相信第二版有更多的 Python 代码。和前两本书一样，这本书也对算法给予了很大关注。
作者：特雷弗·哈斯提，罗伯特·蒂布希拉尼，杰罗姆·弗里德曼
Hastie 是另一本经典之作。我拥有的版本印刷得很好，颜色丰富。这是另一本参考书。
作者：克里斯托弗·M·比 ishop
克里斯托弗·M·比 ishop 的《模式识别与机器学习（信息科学与统计）》也是一本深入且表现良好的参考书。
作者：彼得·弗拉奇
我喜欢彼得·弗拉赫（Peter Flach）的书，尽管一些亚马逊评论称其内容冗长，并指出缺乏代码。我尤其喜欢弗拉赫对算法的分组（逻辑模型、线性模型、概率模型）以及对主题的整体处理。
最后，我最推荐的书：
7. 深度学习
作者：古德费洛（Goodfellow）、本吉奥（Bengio）和考维尔（Corville）
如果有一本书你应该从头到尾读，那就是这本。这本书详细且现代，涵盖了你能想到的一切。
再推荐两本值得一读的书
-
《机器学习入门（第二版）（机器学习与模式识别）》作者：西蒙·罗杰斯（Simon Rogers）、马克·吉罗拉米（Mark Girolami） 这是我得到的第一本书（第一版）。我不建议初学者阅读，但它仍然是一本很好的书（特别是第二版）。
-
Kevin Murphy 的《机器学习：概率视角》 评价很高——但我个人还没有读过（因此未在列表中）。
如果你能推荐我遗漏的书，请告诉我。
总结评论：
-
除了可能的古德费洛-本吉奥的书，我不建议从头到尾阅读这些书。我更喜欢按需按主题阅读这些书，即作为参考书。我还喜欢不同作者的例子，比如杜达（Duda）的鱼分类；- 哈斯蒂（Hastie）的广告数据销售电视和广播；弗拉赫（Flach）用海洋动物的例子解释假设空间等等。
-
我发现这些书教会了我一种谦逊感，即我们知道的非常有限，而这个领域则非常广阔复杂。
-
这些书是永恒的。弗拉基米尔·瓦普尼克（Vladimir Vapnik）现在 81 岁了。杜达（Duda）的书首次出版于 1973 年。我预计 50 年后，业内仍会继续阅读这些书，就像经历了时间考验的老朋友。这是一个令人安慰的想法。它展示了基于数学的方法的持久性。
相关：