1、动手学深度学习-中文版
http://zh.gluon.ai/
《动手学深度学习》是一本既能讲原理、又有实现和实际使用、不断更新、而且容易读的书。这本书⾯向希望了解深度学习，特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。不要求你有任何深度学习或者机器学习的背景知识，从头开始解释每⼀个概念。
四位作者均是亚马逊科学家，对人工智能领域颇具口碑。本书也得到了来自学术界和工业界的韩家炜、周志华、张潼、余凯等众多实力大咖鼎力推荐。
2、Neural-Network-Methods-for-NLP
这本书是一本非常适合入门自然语言处理的书籍，足够薄，最关键的是有中文版。。。是哈工大车万翔老师团队翻译的，在一定程度上做到了权威。不过有的地方翻译的意思有出入，对照英文版就可以了。
本书可分为四部分。整体虽然划分开，但是想法比较串联，容易从0开始构建自然语言数据处理方法的认知。第一部分介绍神经网络的基础。第二部分介绍自然语言数据的处理。第三部分介绍特殊的深度学习结构。第四部分是一些非核心主题，我觉得相比之下，一些会议的Tutorials更值得阅读。
3、Python学习手册(第4版)
Python学习手册第4版每一章都包含关于Python语言的关键内容的独立的一课，并且包含了一个独特的“练习题”部分，其中带有实际的练习和测试，以便你可以练习新的技能并随着学习而测试自己的理解。你会发现众多带有注释的示例以及图表，它们将帮助你开始学习Python 3.0。
4、Reinforcement-Learning-an-Introduction
《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。
5、机器学习（西瓜书）
机器学习是计算机科学与人工智能的重要分支领域， 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解。作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此，本书更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学 习感兴趣的人士。为方便读者，本书附录给出了一些相关数学基础知识简介
6、深度学习与计算机视觉 算法原理、框架应用与代码实现
《深度学习与计算机视觉：算法原理、框架应用与代码实现》全面介绍了深度学习及计算机视觉中基础的知识，并结合常见的应用场景和大量实例，带领读者进入丰富多彩的计算机视觉领域。作为一本“原理 实践”教程，本书在讲解原理的基础上，通过有趣的实例带领读者一步步亲自动手，不断提高动手能力，而不是枯燥和深奥原理的堆砌。
全书共13章，分为2篇。第1篇基础知识，介绍了人工智能发展里程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构，最后对最前沿的趋势进行了简单探讨。第2篇实例精讲，介绍了Python基础、OpneCV基础、最简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。从第5章开始包含了很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前最流行的深度学习框架中的Caffe和MXNet，其中包含了作者原创的大量代码和搜集的数据，这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。
本书适合对人工智能、机器学习、深度学习和计算机视觉感兴趣的读者阅读。阅读本书要求读者具备一定的数学基础和基本的编程能力，并需要读者了解Linux的基本使用。
代码库地址：
https://github.com/frombeijingwithlove/dlcv_for_beginners
7、数据挖掘导论（完整版）
《数据挖掘导论(完整版)》涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量示例、图表和习题。
