machine learning方面最值得推荐的11本书（9本ML+2本DM）

1. 机器学习
作者: (美)Tom Mitchell
出版社: 机械工业出版社
评语 : 现在看来，这本书也许是过时了。但在那个年代，这是开天辟地的一本书。第一章就清楚定义了什么是ML：本质是在给定的搜索空间和计算资源下，近似一个函数。 <RET> 虽然今天大家都用统计的手段来研究ML，模型和优化算法都有了极大的发展，应用也更加五花八门，计算能力和当年更不是一个数量级。不过，看看这本书哪些观点过时了，哪些观点现在仍然是公认的，也是一件很好玩的事情。

2. The Elements of Statistical Learning
作者: Trevor Hastie/Robert Tibshirani/Jerome Friedman
出版社: Springer
评语 : 作者都是正统统计出身大牛，说是element，其实一点也不。06年刚学ml时啃它，没懂，再啃一遍，还是没懂。3年后继续，才觉得博大精深。当然，中文翻译得拗口也有一定原因，所以还是看原版把，都可以从作者主页免费下的。 <RET> 这本书读起来更像是product review，在介绍的同时夹杂了大量算法模型优缺点对比，这当然是作者功力的显现，但不适合初学者。第二版较以前新加了大量关于sparse model的章节，很推荐。不过，对graphic model等似乎写得过于简略了。

3. Pattern Recognition And Machine Learning
作者: Christopher M. Bishop
出版社: Springer
评语 : 不同于楼上的ESL，这本几乎完全是bayesian的观点，graphic model章节自然是亮点。不过，最大的特点是覆盖面广，写得非常的通俗易懂。即使是用bayesian这种公式相对多，概念相对绕的表述，bishop仍然举重若轻，写得文笔流畅，洋洋洒洒。所以非常适合入门。

4. Machine Learning - A Probabilistic Perspectiv
作者: Kevin P. Murphy
出版社: The MIT Press
评语 : 观点介于楼上PRML的bayesian和楼上上ESL的frequentist之间，1000+页，cover面非常之广，从经典模型算法到当下的stochastic optimization, deep learning. 公式不多，语言简练，通俗易懂。非常适合初学者。 <RET> 缺点是，这似乎更像是一本百科全书。一个词条接一个词条，读起来破为无趣。

5. Learning From Data
作者: Yaser S. Abu-Mostafa/Malik Magdon-Ismail/Hsuan-Tien Lin
出版社: AMLBook
评语 : 对这本书没有太多评价，不过Yaser在caltech的课上得很精彩。对ml的很多概念有非常直白的解释。当年他在主页上公开鄙视Adrew Ng的ML公开课，也是有一定道理。http://work.caltech.edu/telecourse.html

6. Foundations of Machine Learning
作者: Mehryar Mohri/Afshin Rostamizadeh/Ameet Talwalkar
出版社: The MIT Press
评语 : 和ESL一样，也是用的frequentist的观点，也是一点都不foundation。不同是，作者都是CS出身，所以写的味道更CS点。如果对bound有爱就读吧。

7. Bayesian Reasoning and Machine Learning
作者: David Barber
出版社: Cambridge University Press
评语 : 彻底的Bayesian。还木有读。

8. Machine Learning for Hackers
作者: Drew Conway/John Myles White
出版社: O'Reilly Media
评语 : 手把手教如何用ML来解决诸如垃圾邮件过滤之类的应用，用R。

9. Machine Learning in Action
作者: Peter Harrington
出版社: Manning Publications
评语 : 还是讲如何跑ML算法，用python。可以认为是源代码+注释+实验结果贴图。

10. Data Mining
作者: Han, Jiawei; Kamber, Micheline; Pei, Jian
评语 : 好吧。和楼下这本一起，是data mining教材。如果不想看公式的话，这是可选读物。

11. Data Mining
作者: Ian H. Witten/Eibe Frank/Mark A. Hall
出版社: Morgan Kaufmann
评语 : weka是data mining里最有名的工具包，这是使用手册。


我说：最怕被OLers鄙视（以前有过）说lz你读过几本啊，推荐这么多？我澄清一下吧，第一本我读过，《4. Machine Learning - A Probabilistic Perspectiv》这本我正在读，所以，作为一个菜得不能再菜的人，我只能是看到好东西分享一下，牛人亲拍。
另外有几本是我2013年的目标/计划。

除此之外，Computer Vision: A Modern Approach这一类书也是很好的教材。

唐僧，我好像知道你是谁了，哈哈~~