我写博客的目的就是让大家了解人工智能背后的数学原理，但人工智能这个话题太大了，背后涉及到的知识非常庞大，仅靠写几篇文章传播力度有限，况且知识传播过程中也容易引入误解，所以授之以鱼不如授之以渔，这里给大家推荐一些资源。

看书是学习必不可少的方式之一，今天给大家推荐一本机器学习数学原理和应用的书：MATHEMATICS FOR MACHINE LEARNING，PDF路径如下：

https://mml-book.github.io/book/mml-book.pdf

我把书的目录浓缩一下让大家先睹为快：

Part1：

Part2：

这本书分为两部分，第一部分是机器学习数学原理，第二部分是机器学习常见模型，模型背后也就是对数学原理的应用。原理+应用是很好的学习组合，先看原理再去学习应用也行，先以应用入手，遇到问题再回过头扣原理也可以。

人工智能的书很多，推荐这本书的原因是看完它有种豁然开朗的感觉，以前很多遗留的悬念大部分都解决了。

代码是数学公式的翻译，对于数学原理，想必大家都苦恼于繁多的数学公式，既然被折磨，那就换个思路，通过一些开源的数学函数库，从源码的角度去了解公式的每个细节，除了实现方式，还能学到高性能编程思想，这里给大家推荐scipy。

官方网址：https://scipy.org
源码：https://github.com/scipy/scipy

scipy对常用的线性代数，微积分，统计方法，优化方法进行了封装。除了scipy外，还有几个比较好的资源：例如基于C++的Eigen，Numpy，BLAS等。

对于机器学习模型，给大家推荐sklearn。

官方网址：https://scikit-learn.org/    

源码：https://github.com/scikit-learn/scikit-learn    

示例程序：https://scikit-learn.org/stable/auto_examples/index.html

sklearn对大多机器学习模型进行了实现，每种模型都提供了很多实际应用例子。

实践出真知，看多少书也只能停留在理论层面，实践是获取满足感，持续输出动力的好方法，这里给大家推荐kaggle。

    官方网址：https://www.kaggle.com

这是一个竞赛类的网站，里面有各种真实案例，所以针对一个问题会有不同的解决方案，你能学到解决问题的思路，让你脑洞大开。

参加一个感兴趣的项目，用自己的想法去实现它，一开始效果可能不理想，分析问题原因，逐步优化，看到进步，享受这个过程。

当然，人工智能离不开看大量的文论，这里给大家推荐paper with code论文索引网站。

   https://paperswithcode.com

你可以按照论文名称搜索，也可以按照类型去查找。