这里有一些 ：

人工智能

（作者：Jeff Heaton）

这是初学者最好的人工智能书籍之一。本书是为了简单理解人工智能的基本构建块及其算法而编写的。

对于有兴趣从核心学习AI的人来说，这是一个很好的起点。

人工智能：现代方法

（作者：Stuart Russell，Peter Norvig）

本书提供了人工智能理论和实践的最新和全面的介绍。这是本科或研究生课程中前几个学期的最佳书籍。

人工智能规划的范式：Common Lisp中的案例研究

（作者：Peter Norvig）

本书基本上是第一本提供有关构建主要人工智能系统所必需的高级Common Lisp技术的教科书。

剑桥人工智能手册

（作者：Keith Frankish，William M. Ramsey）

如果您想学习跨学科方法来理解，建模和创建各种形式的智能，并涵盖学科，主要理论和主要研究领域的基础，本书是您的完美选择。

情感机器：常识思维，人工智能和人类思维的未来

（作者：Marvin Minsky）

本书是科学先驱马文·明斯基的开创性研究工作的宝库。本书提供了人类思维方式的模型。他很好地将人类的常识和思维与人工智能结合起来。

人工智能：一种新的综合

（作者：Nils J. Nilsson）

新入门教科书中的核心字符是智能代理。本书从基本反应代理开始，逐渐展示AI中持久且最重要的思想。

人工智能简介

（作者：Philip C. Jackson）

这是一个相对较旧的出版物，但大部分信息仍然很好。这是一本很好的AI书，可以理解有关AI的基本原理和一般信息。这样可以更深入地了解AI，包括游戏理论和问题状态模型等主题

以下是AI和机器学习类别中最受欢迎的20本书籍。

1.）Python机器学习示例

2.）人工智能：绝对初学者指南（数据秘密）

3.）使用Scikit-Learn和TensorFlow实现机器学习：构建智能系统的概念，工具和技术

4.）生命3.0：成为人类

5.）超级智能：路径，危险，策略

6.）深度学习（自适应计算和机器学习系列）

7.）主算法：终极学习机器的探索将如何重塑我们的世界

8.）制作自己的神经网络：初学者的深入视觉介绍

9.）我们的最终发明：人工智能和人类时代的终结

10.）绝对初学者的机器学习：对有监督和无监督学习算法的简单，简洁和完整的介绍

11.）当机器做所有事情时该怎么做：如何在AI，算法，机器人和大数据的世界中前进

12.）Python机器学习简介：数据科学家指南

13.）初学者深度学习：概念，技术和工具（数据秘密）

14.）亚马逊回声：2016年 - 马上学习亚马逊回声的终极指南

15.）Python机器学习

16.）机器学习：新的AI：麻省理工学院出版基本知识系列

17.）用于预测数据分析的机器学习的基础知识：算法，工作示例和案例研究

18.）主算法：终极学习机器的探索将如何重塑我们的世界

18.）人类不需要申请：人工智能时代的财富和工作指南

19.）机器学习：理解数据的算法的艺术和科学

20.）如何思考机器的思考：当今机器智能时代的主要思想家

1.机器学习渴望 - 作者：Andrew Ng

人工智能，机器学习和深度学习正在改变各种企业。本书迅速发展，目标是您可以更好地构建AI框架。

在哪里下载：点击这里

2.理解机器学习：从理论到算法 - 作者Shai Shalev-Shwartz和Shai Ben-David

机器学习是软件工程中最快的开发范围之一，具有广泛的应用。本书主要介绍了机器学习及其提供的算法标准。本书给出了基本机器学习和数字推导的假设记录，这些记录将这些标准变为有用的计算。本书涵盖了关键的算法标准，包括随机斜率下降，神经系统和有组织的产量学习; 并发展假设的想法。

在哪里下载：点击这里

3.思考统计：程序员的概率和统计 - 作者：Allen B. Downey

Think Stats是Python开发人员概率和统计的序幕。

Think Stats突出了您可以用来调查真正的信息收集和回答有趣的查询的基本策略。

在哪里下载：点击这里

4.黑客的概率编程和贝叶斯方法 - 作者：Cam Davidson-Pilon

介绍贝叶斯策略和概率编程从计算开始，算术第二视角。

贝叶斯策略是处理推理的常用方法，但是在温和的数值检查部分后面避免使用它。关于贝叶斯推测的常规内容包括关于似然假设的几个部分，然后进入贝叶斯推导。

在哪里下载：点击这里

5.统计学习的要素 - 由Trevor Hastie，Robert Tibshirani和Jerome Friedman撰写

本书的范围广泛，从管理学习（期望）到无监督学习。众多要点包括神经系统，支撑矢量机，表征树和增强 - 这是任何一本书中这一主题的主要广泛处理。

在哪里下载：点击这里

6.数据科学的基础 - 由Avrim Blum，John Hopcroft和Ravindran Kannan撰写

这本书涵盖了在接下来的40年中有助于提供帮助的假设，类似于对自动机假设，计算和相关主题的理解，给出了最近40年的有利地位。

在哪里下载：点击这里

7.统计学习简介及其在R中的应用 - 作者：Gareth James，Daniela Witten，Trevor Hastie和Robert Tibshirani

本书包含各种R实验室，其中详细说明了实现不同策略的最熟练方法，所有考虑事项，设置，以及应该是排练信息研究员的重要资产。

在哪里下载：点击这里

8.程序员数据挖掘指南：Numerati的古代艺术 - 作者Ron Zacharski

阅读材料的布局是一个小步幅，相互扩展，直到你完成本书，你已经建立了理解信息挖掘系统的框架。

在哪里下载：点击这里

9.深度学习 - 由Ian Goodfellow，Yoshua Bengio和Aaron Courville

深度学习课程阅读是一项资产，旨在帮助学习和专业人员进入机器学习领域，具体而言是大而深刻的学习。该书的在线改编目前是完整的，并且将无需在线访问。

在哪里下载：点击这里

10.大规模数据集的挖掘 - 由Jure Leskovec，Anand Rajaraman和Jeff Ullman撰写

本书概述了本科软件工程水平，以支持进一步的调查，大部分部分都补充了进一步的阅读参考。

在哪里下载：点击这里