学习顺序
数学基础 → Python编程 → 机器学习理论 → 深度学习框架 → 项目实践 → 领域扩展。
机器学习书籍
1. 《动手学机器学习》
特点：
理论与实践并重：以Jupyter Notebook为载体，提供可运行的代码示例，覆盖从数据预处理到模型部署的全流程。
框架友好：通常基于Scikit-learn、PyTorch/TensorFlow等主流框架，适合快速上手项目。
适合人群：
大一学生优先选择，尤其是希望快速实践、通过项目巩固理论者。
无需深厚数学背景，但需掌握Python基础（如NumPy、Pandas）。
学习建议：
边读边运行代码，尝试修改参数观察结果变化。
结合Kaggle入门竞赛（如Titanic、房价预测）实践书中方法。
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。 本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和最简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。 本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
2. 《模式识别与机器学习》
特点：
理论深度强：由PRML之父Christopher Bishop撰写，系统阐述贝叶斯方法、核方法、图模型等核心理论。
数学要求高：涉及概率论、线性代数、优化理论，适合希望深入理解算法原理的学生。
经典教材：被全球高校广泛采用。
适合人群：
数学基础较好（如修过线性代数、概率论）的大一学生，或计划未来从事研究的学生。
学习建议：
重点阅读前6章（基础概念、概率分布、线性模型），后续章节可随学习进度深入。
每章后尝试推导公式，并用Python复现简单算法（如线性回归、K-Means）。
本书内容：
本书深入而系统地介绍了模式识别和机器学习领域的基本概念、数学原理和核心算法，并附有丰富的习题。作为机器学习领域的"圣经"，本书融合了概率论、统计学、线性代数和优化理论，构建了从基础概念到前沿技术的完整知识体系，内容涵盖决策论、概率分布、线性回归模型、线性分类模型、神经网络、核方法、稀疏核机、图模型、混合模型与最大期望算法、近似推断、采样方法、连续潜变量、序列数据、模型组合等。 本书适合计算机专业高年级本科生和低年级硕士生阅读，也适合作为机器学习从业人员和爱好者的参考资料。
3、零基础学机器学习
特点：
本书强调实战，书中的案例都源自真实项目，方便读者动手操作和应用，连接入门与业务，力求让大家快速领会机器学习内涵，从而拥有在人工智能领域深耕的能力。所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。
适合人群：
本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。
本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。
本书内容：
本书通过AI"小白"小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。
深度学习书籍
1、《动手学深度学习》（ PyTorch版）
作者：李沐等
特点：
多框架支持：首次引入PyTorch、TensorFlow和MXNet三大主流框架的代码实现，读者可自由选择适配自身需求的工具链。
实战导向：通过Jupyter Notebook形式将数学推导、图示与可运行代码紧密结合，包含Kaggle比赛实战案例（如房价预测、图像分类）。
内容全面：涵盖线性回归、多层感知机等核心概念，以及Transformer、BERT、注意力机制等最新模型，新增自然语言处理章节（如预训练与微调）和计算机视觉实战（如目标检测与语义分割）。
配套资源丰富：提供免费在线课程视频、课件、习题及社区讨论（如GitHub开源项目与B站教学视频）。
适读人群：
希望从基础到进阶全面掌握深度学习的学生，尤其适合需要多框架支持的工业界与学术界场景。
本书内容：
本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络------多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
2、《深度学习：基础与概念》
适读人群：
对于机器学习领域的新手，本书是全面且系统的入门教材，可引领其踏入深度学习的知识殿堂；对于机器学习领域从业者，本书是深化专业知识、紧跟技术前沿的有力工具；对于相关专业学生，本书是学习深度学习课程、开展学术研究的优质参考资料。无论是理论学习、实践应用还是学术研究，本书都是读者在深度学习领域探索与前行的重要指引。
本书内容：
本书全面且深入地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。全书共 20 章。本书首先介绍深度学习的发展历程、基本概念及其在诸多领域（如医疗诊断、图像合成等）产生的深远影响；继而深入探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深入到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。本书还对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深入分析，阐释其原理、算法流程及实际应用场景。
Python书籍
1、《Python编程快速上手 让繁琐工作自动化》（ 第3版）
适读人群：
无论你是想要轻松学习编程的入门级读者，还是想借助程序自动化处理事务的非专业人士，这本久经考验的 Python 教程都将是你不容错过的选择。
这是一本面向初学者的 Python 编程实用指南，用"讲故事 + 做项目"的方式带你走进Python 世界。
本书内容：
本书的前半部分（第 1~8 章）用浅显易懂的语言将 Python 基础知识、语法、数据结构等串起来，后半部分（第 9~24 章）则把这些概念直接投入真实场景，让 Python 程序替你批量整理文件夹、填报电子表格、抓取网页数据、生成 PDF 报告、定时发送邮件，甚至让计算机"开口说话"。本书的案例聚焦日常痛点，会先讲思路，再给代码，并在实践项目中分步骤拆解和演
示编程实践，非常有助于读者边学边上手。值得一提的是，本书还结合大语言模型（LLM）给出了一些更加巧妙的实践技巧。
2、《Python编程从新手到高手》
本书并不是一本只简单罗列一些术语介绍的"傻瓜书"。本书的设计目标是让读者阅读完后会说："起初这个主题似乎很难理解，但是经过书里的解释，这个主题对我来说变得非常简单了。"这实在是任何形式的教学的终极目标：即便是针对棘手主题的讨论，也要把概念讲解得非常清晰。
本书中的大量示例同样令人印象深刻。书中几乎涵盖想要编写实用的Python代码所需要的所有内容，包括变量、数据结构和循环等基础知识，以及并发和并行等高级内容。当我阅读本书时，每章都以其完备和丰富的细节给我留下了深刻印象。
本书中的示例设计精巧，引人入胜，对概念的解释清晰易懂。这确实是一本出类拔萃的好书。
------内奥米·塞德（Naomi Ceder），Python 软件基金会董事会主席
本书全面细致地介绍了Python的各个功能、逻辑和惯用模式，以便读者快速编写出专业、地道、实用的Python程序，从Python新手成长为高手。
本书共5个部分。第一部分"Python 环境"讲解 Python的哲学、开发环境、基本语法、项目结构和代码导入等内容，为读者编写规范的Python代码奠定坚实的基础。第二部分"基本结构"讲解Python的变量、数据类型、函数、类、对象、错误和异常等。第三部分"数据和流程"讲解操作数据和控制执行流程的许多独特方法，包括集合、迭代、生成器、推导式、文本输入/输出、上下文管理、二进制和序列化等。第四部分"高级概念"探索Python 的高级策略，如继承、混入、元类、抽象基类、自省、泛型、异步、并发、线程和并行等。第五部分"超越代码"讲解项目的打包、分发、调试、日志、测试和剖析等环节，并概述Python开发的方向。
本书适合想要学习编写专业Python程序的读者阅读，既可作为零基础入门 Python 的教材，也可作为程序员案头常备的Python工具书。本书尤其适合已掌握其他编程语言的开发者用来学习Python，可以帮助这些开发者不受其他编程语言的影响来学习地道的 Python编程方法。