原文：
www.kdnuggets.com/2016/10/5-free-ebooks-machine-learning-career.html
请注意，尽管网上有许多免费的机器学习电子书，包括许多非常著名的书籍，但我选择跳过这些“常规书籍”，寻求更少为人知晓的、更具小众特色的选项。
对机器学习职业感兴趣？不知道从哪里开始？那么，总有这里，一个关于在 Python 生态系统中追求机器学习的教程集合。如果你想了解更多，你可以查看这里，获取 MOOCs 和在线讲座的概述，来自自由提供的大学讲座。
1. Google 网络安全证书 - 快速进入网络安全职业轨道。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织在 IT 方面
当然，没有什么可以替代严格的正式教育，但假设因为某些原因这种教育不在计划之中。并非所有机器学习职位都需要博士学位；这真的取决于你想在机器学习的哪个领域中定位自己。看看这篇激励人心的文章，作者在一年内从对机器学习的几乎没有了解到在工作中积极有效地运用技术。
想在入门级研究生机器学习课程和在线教程中获得平衡吗？正如几百年来一样，书籍是一个很好的选择。:) 当然，如今我们可以即时访问免费的数字书籍，这使得这一选择非常有吸引力。请查看以下免费的电子书，这些书籍都适合初学者阅读，同时涵盖了各种不同的概念和材料。
1. 机器学习简介
斯坦福大学的 Nils J. Nilsson 在 1990 年代中期整理了这些笔记。在你对学习 90 年代的内容感到不屑之前，请记住，基础就是基础，无论它是在何时写成的。
当然，自从编写本书以来，机器学习领域已经取得了许多重要进展，正如 Nilsson 本人所说，但这些笔记以直接而集中的方式涵盖了许多仍被认为是相关的基础材料。书中没有涉及过去几十年的进展，作者们常常在介绍性文本中侧面提及这些内容。然而，书中包含了大量关于统计学习、学习理论、分类及各种算法的信息，引人入胜。在不到 200 页的篇幅下，可以相当迅速地阅读完毕。
这本关于机器学习的书籍由 Shai Shalev-Shwartz 和 Shai Ben-David 编写。与之前的书籍相比，这本书较新、篇幅较长且更为高级，但也是一个合乎逻辑的下一步。它将深入探讨更多的算法、其描述，并提供实践方面的桥梁。对理论的关注应该对新手明确其重要性，以真正理解驱动机器学习算法的内容。高级理论部分涵盖了一些可能超出新手范围或兴趣的概念，但也可以选择查看。
3. 贝叶斯推理与机器学习
这本关于贝叶斯机器学习的入门书籍是我所知道的最知名的书籍之一，并且恰好有一个免费的在线版本可供获取。明尼苏达大学的 Arindam Banerjee 在 Amazon 评价 中这样评价：
这本书广泛涵盖了概率机器学习，包括离散图模型、马尔可夫决策过程、潜变量模型、高斯过程、随机和确定性推理等。该材料非常适合高级本科生或图形模型或概率机器学习的入门研究生课程。全书使用了大量的图表和示例，并且附带了一个广泛的软件工具箱...
应注意，所提到的工具箱是用 MATLAB 实现的，而 MATLAB 已不再是默认的机器学习实现语言，至少通常情况下不是。然而，这个工具箱并不是这本书唯一的优点。
这为那些对概率机器学习感兴趣的人提供了一个很好的起点。
4. 深度学习
这是 Goodfellow、Bengio 和 Courville 即将出版的深度学习书籍，官方网页上有一个免费的最终草稿版本。
以下两个摘录来自该书的官方网站，一个提供了内容概述，另一个让几乎所有有兴趣阅读这本书的人放心：
《深度学习》教科书旨在帮助学生和从业者进入机器学习领域，尤其是深度学习。该书的在线版本现已完成，将继续在线免费提供。印刷版将很快上市。
其中一个目标受众是学习机器学习的大学生（本科生或研究生），包括那些刚开始从事深度学习和人工智能研究的学生。另一个目标受众是没有机器学习或统计背景的软件工程师，但希望快速掌握相关知识并开始在其产品或平台中使用深度学习。
要找到一个更好的资源来全面学习深度学习，你将面临很大的困难。
5. 强化学习：导论
萨顿和巴托的权威经典正在进行改版。这是第二版草稿的链接，目前正在进展中（并且在此期间免费提供）。
强化学习现在是一个极具研究兴趣的领域，原因很充分。鉴于其在 AlphaGo 中的成功、高度关注、在自动驾驶汽车及类似系统中的潜力以及与深度学习的结合，很难相信强化学习（毫无疑问将在任何形式的“通用人工智能”（或类似事物）中发挥重要作用）会消失。实际上，这些都是为什么这本书的第二版正在进行的原因。
你可以感受到这本书在强化学习领域的重要性，因为它被简单地称为“萨顿和巴托”。这篇亚马逊评论由 David Tan 撰写，很好地总结了这本书（并消除了关于“是否太复杂难以理解”的疑虑）：
这本书以示例和对强化学习的直观介绍和定义开始。接下来的 3 章讨论了强化学习的 3 种基本方法：动态规划、蒙特卡罗方法和时序差分方法。后续章节在这些方法基础上进行扩展，涵盖整个解决方案和算法范围。
这本书对普通计算机学生来说非常易读。可能唯一难度较大的章节是第八章，它涉及一些神经网络概念。
请记住，上述内容针对的是第一版；它也适用于第二版。
祝你在从免费的电子书中学习更多关于机器学习的过程中顺利。查看下面的相关链接，获取更多相关的电子书资源。
相关：
-
数据爱好者必备的 10 本重要书籍
-
进入数据科学或大数据职业前需要阅读的 5 本电子书
-
60+ 本关于大数据、数据科学、数据挖掘、机器学习、Python、R 等的免费书籍