[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Carl-McBride-Ellis--Compendium-of-free-ML-reading-resources":3,"tool-Carl-McBride-Ellis--Compendium-of-free-ML-reading-resources":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":78,"stars":81,"forks":82,"last_commit_at":83,"license":78,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":86,"env_deps":87,"category_tags":90,"github_topics":91,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":104},5975,"Carl-McBride-Ellis\u002FCompendium-of-free-ML-reading-resources","Compendium-of-free-ML-reading-resources","Compendium of free ML reading resources","Compendium-of-free-ML-reading-resources 是一个精心整理的机器学习免费学习资源库，旨在为学习者提供一站式的高质量阅读材料。它解决了大家在寻找权威、系统且免费的机器学习书籍和论文时面临的资源分散、质量参差不齐的痛点。\n\n该资源库涵盖了从数据清洗、可视化、数学基础、统计学，到线性回归、传统机器学习、深度学习、强化学习，再到自然语言处理、因果推断等前沿领域的 193 本免费书籍。每本书都标注了格式（PDF 或在线 HTML 版），并提供了直接访问链接，所有资源均经作者或出版方合法免费发布。\n\n无论是刚入门的学生、希望系统提升的开发者，还是从事相关研究的研究人员，都能在这里找到适合自己的学习资料。其独特之处在于分类清晰、覆盖全面，并特别收录了许多经典教材的最新免费版本以及 arXiv 上的重要论文，极大降低了高质量学习的门槛。如果你正在规划机器学习的学习路径，或需要查阅某个专题的权威资料，Compendium-of-free-ML-reading-resources 将是你值得信赖的起点。","# Compendium of free ML reading resources\nKey: \n* :orange_book: pdf file\n* :earth_africa: html book\n## ToC\n1. [EDA, visualization, and data cleaning](#eda-visualization-and-data-cleaning) (8)\n2. [Mathematics for ML](#mathematics-for-ml) (13)\n3. [Statistics and probability](#statistics-and-probability) (16)\n4. [Optimization](#optimization) (7)\n5. [Linear regression](#linear-regression) (6)\n6. [Machine learning](#machine-learning) (48)\n7. [R realted](#r-realted) (18)\n8. [Feature engineering](#feature-engineering) (2)\n9. [Explainability\u002Finterpretability](#explainabilityinterpretability) (6)\n10. [Deep learning \u002F neural networks](#deep-learning--neural-networks) (17)\n11. [Reinforcement learning](#reinforcement-learning) (8)\n12. [Recommender systems](#recommender-systems) (2)\n13. [Anomaly detection](#anomaly-detection) (1)\n14. [Computer vision](#computer-vision) (3)\n15. [Natural language processing (NLP) and large language models (LLM)](#natural-language-processing-nlp-and-large-language-models-llm) (13)\n16. [Causal inference](#causal-inference) (13)\n17. [Conformal prediction](#conformal-prediction) (5)\n18. [Time series: Forecasting](#time-series-forecasting) (6)\n\nTotal number of books: **193**\n\n\u003Csub>Note: All books listed here have been made freely available by their respective authors\u002Fpublishers, and all [arXiv](https:\u002F\u002Farxiv.org\u002F) papers are inherently free.\u003C\u002Fsub>\n\n---\n### EDA, visualization, and data cleaning\n* :earth_africa: [\"Python for Data Analysis (3rd Edition)\"](https:\u002F\u002Fwesmckinney.com\u002Fbook\u002F) by Wes McKinney\n* :earth_africa: [\"Flexible Imputation of Missing Data\"](https:\u002F\u002Fstefvanbuuren.name\u002Ffimd\u002F) by Stef van Buuren\n* :earth_africa: [\"Fundamentals of Data Visualization\"](https:\u002F\u002Fclauswilke.com\u002Fdataviz\u002F) by Claus O. Wilke\n* :earth_africa: [\"R Graphics Cookbook\"](https:\u002F\u002Fr-graphics.org\u002F) by Winston Chang\n* :earth_africa: [\"Modern Data Visualization with R\"](https:\u002F\u002Frkabacoff.github.io\u002Fdatavis\u002F) by Robert Kabacoff\n* :orange_book: [\"Data Cleaning and Machine Learning: A Systematic Literature Review\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.01765) by Pierre-Olivier Côté, Amin Nikanjam, Nafisa Ahmed, Dmytro Humeniuk, and Foutse Khomh\n* :orange_book: [\"Think Stats: Exploratory Data Analysis in Python\"](https:\u002F\u002Fgreenteapress.com\u002Fthinkstats2\u002Fthinkstats2.pdf) by Allen B. Downey\n* :orange_book: [\"SQL Notes for Professionals\"](https:\u002F\u002Fbooks.goalkicker.com\u002FSQLBook\u002FSQLNotesForProfessionals.pdf)\n\n---\n### Mathematics for ML\n* :orange_book: [\"Mathematics for Machine Learning\"](https:\u002F\u002Fmml-book.github.io\u002Fbook\u002Fmml-book.pdf) by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong\n* :orange_book: [\"The Matrix Calculus You Need For Deep Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.01528.pdf) by Terence Parr, and Jeremy Howard\n* :orange_book: [\"Matrix Analysis\"](https:\u002F\u002Ftropp.caltech.edu\u002Fnotes\u002FTro22-Matrix-Analysis-LN.pdf) by Joel A. Tropp\n* :orange_book: [\"Linear Algebra Done Wrong\"](https:\u002F\u002Fwww.math.brown.edu\u002Fstreil\u002Fpapers\u002FLADW\u002FLADW_2025_08-25.pdf) by Sergei Treil\n* :orange_book: [\"Linear Algebra Done Right\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-031-41026-0.pdf) by Sheldon Axler\n* :orange_book: [\"Linear Algebra, Theory And Applications\"](https:\u002F\u002Fd2orq2otfnmxdd.cloudfront.net\u002Fbooks\u002FLinearalgebra\u002FLinearalgebra.pdf) by Kenneth Kuttler\n* :orange_book: [\"The Matrix Cookbook\"](https:\u002F\u002Fwww2.imm.dtu.dk\u002Fpubdb\u002Fedoc\u002Fimm3274.pdf) by Kaare Brandt Petersen, and Michael Syskind Pedersen\n* :orange_book: [\"Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares\"](https:\u002F\u002Fweb.stanford.edu\u002F~boyd\u002Fvmls\u002Fvmls.pdf) by Stephen Boyd and Lieven Vandenberghe\n* :orange_book: [\"Linear Algebra for Data Science\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1nJVwdQV9zp-Q9VQenZF0-HOOG6L2lEOD\u002Fview) by Wanmo Kang, and Kyunghyun Cho\n* :orange_book: [\"Linear Algebra for Computer Vision, Robotics, and Machine Learning\"](https:\u002F\u002Fwww.seas.upenn.edu\u002F~cis5150\u002Flinalg-I.pdf) by Jean Gallier and Jocelyn Quaintance\n* :orange_book: [\"Matrix Calculus (for Machine Learning and Beyond)\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14787) by Paige Bright, Alan Edelman, Steven G. Johnson\n* :orange_book: [\"Algebra, Topology, Differential Calculus, and Optimization Theory For Computer Science and Machine Learning\"](https:\u002F\u002Fwww.cis.upenn.edu\u002F~jean\u002Fmath-deep.pdf) by Jean Gallier and Jocelyn Quaintance\n* :orange_book: [\"Foundations of Linear Algebra for Data Science\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1rQKTjknuHE3HC_9Gyovn4DYZLFe7nBQZ\u002Fview?usp=sharing) by Wanmo Kang and Kyunghyun Cho\n* :earth_africa: [\"Linear Algebra for Data Science with examples in R\"](https:\u002F\u002Fshainarace.github.io\u002FLinearAlgebra\u002Findex.html) by Shaina Race Bennett\n\n---\n### Statistics and probability\n* :orange_book: [\"Probability and Statistics - The Science of Uncertainty\"](https:\u002F\u002Fwww.utstat.toronto.edu\u002Fmikevans\u002Fjeffrosenthal\u002Fbook.pdf) by Michael J. Evans and Jeffrey S. Rosenthal\n* :orange_book: [\"Probability in High Dimensions\"](https:\u002F\u002Ftropp.caltech.edu\u002Fnotes\u002FTro21-Probability-High-LN-corr.pdf) by Joel A. Tropp\n* :orange_book: [\"Introduction to Probability\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1VmkAAGOYCTORq1wxSQqy255qLJjTNvBI\u002Fedit) by Joseph K. Blitzstein and Jessica Hwang\n* :orange_book: [\"A History of the Central Limit Theorem From Classical to Modern Probability Theory\"](https:\u002F\u002Fwww.medicine.mcgill.ca\u002Fepidemiology\u002Fhanley\u002Fbios601\u002FGaussianModel\u002FHistoryCentralLimitTheorem.pdf) by Hans Fischer\n* :orange_book: [\"Think Bayes: Bayesian Statistics Made Simple\"](https:\u002F\u002Fwww.greenteapress.com\u002Fthinkbayes\u002Fthinkbayes.pdf) by Allen B. Downey\n* :orange_book: [\"Introduction to Bayesian Statistics\"](https:\u002F\u002Fwww.stat.auckland.ac.nz\u002F~brewer\u002Fstats331.pdf) by Brendon J. Brewer\n* :orange_book: [\"learning statistics with jamovi\"](https:\u002F\u002Fdavidfoxcroft.github.io\u002Flsj-book\u002Flearning-statistics-with-jamovi.pdf) by Danielle J. Navarro and David R. Foxcroft\n* :orange_book: [\"Bayesian Data Analysis\"](http:\u002F\u002Fwww.stat.columbia.edu\u002F~gelman\u002Fbook\u002FBDA3.pdf) by Andrew Gelman, John Carlin, Hal Stern, David Dunson, Aki Vehtari, and Donald Rubin\n* :orange_book: [\"Compendium of Common Probability Distributions\"](https:\u002F\u002Fwww.causascientia.org\u002Fmath_stat\u002FDists\u002FCompendium.pdf) by Michael P. McLaughlin\n* :orange_book: [\"Probability and Statistics for Data Science\"](https:\u002F\u002Fcims.nyu.edu\u002F~cfgranda\u002Fpages\u002Fstuff\u002Fprobability_stats_for_DS.pdf) by Carlos Fernandez-Granda\n* :orange_book: [\"Statistical Modeling: An Excursion Through 14 Topics\"](https:\u002F\u002Fuser.math.uzh.ch\u002Ffurrer\u002Fdownload\u002Fsta121\u002Fscript_sta121.pdf) by Reinhard Furrer\n* :orange_book: [\"Robust Statistics\"](http:\u002F\u002Fparker.ad.siu.edu\u002FOlive\u002Frunrob.pdf) by David J. Olive\n* :orange_book: [\"CS109 Probability for Computer scientists\"](https:\u002F\u002Fchrispiech.github.io\u002FprobabilityForComputerScientists\u002Fen\u002FProbabilityForComputerScientists.pdf) by Chris Piech\n* :orange_book: [\"Odds & Ends: Introducing Probability & Decision with a Visual Emphasis\"](https:\u002F\u002Fjonathanweisberg.org\u002Fvip\u002F_main.pdf) by Jonathan Weisberg\n* :orange_book: [\"Grinstead and Snell’s Introduction to Probability\"](https:\u002F\u002Fmath.dartmouth.edu\u002F~prob\u002Fprob\u002Fprob.pdf) by Peter G. Doyle\n* :orange_book: [\"High-Dimensional Probability: An Introduction with Applications in Data Science\"](https:\u002F\u002Fwww.math.uci.edu\u002F~rvershyn\u002Fpapers\u002FHDP-book\u002FHDP-2.pdf) by Roman Vershynin\n\n---\n### Optimization\n* :orange_book: [\"Convex Optimization\"](https:\u002F\u002Fweb.stanford.edu\u002F~boyd\u002Fcvxbook\u002Fbv_cvxbook.pdf) by Stephen Boyd and Lieven Vandenberghe\n* :orange_book: [\"An introduction to optimization on smooth manifolds\"](https:\u002F\u002Fwww.nicolasboumal.net\u002Fbook\u002FIntroOptimManifolds_Boumal_2023.pdf) by Nicolas Boumal\n* :orange_book: [\"Lecture Notes: Optimization for Machine Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1909.03550) by Elad Hazan\n* :orange_book: [\"A Modern Approach to Teaching an Introduction to Optimization\"](https:\u002F\u002Fcastle.princeton.edu\u002Fwp-content\u002Fuploads\u002F2024\u002F01\u002FPowell-MATO-Final-Jan-23-2024.pdf) by Warren B. Powell\n* :orange_book: [\"Bayesian Optimization\"](https:\u002F\u002Fbayesoptbook.com\u002Fbook\u002Fbayesoptbook_a4.pdf) by Roman Garnett\n* :orange_book: [\"Fundamentals of Optimization Theory With Applications to Machine Learning\"](https:\u002F\u002Fwww.seas.upenn.edu\u002F~cis5150\u002Flinalg-II.pdf) by Jean Gallier and Jocelyn Quaintance\n* :orange_book: [\"Algorithms for Optimization\"](https:\u002F\u002Falgorithmsbook.com\u002Foptimization\u002Ffiles\u002Foptimization.pdf) by Mykel J. Kochenderfer, and Tim A. Wheeler\n\n---\n### Linear regression\n* :orange_book: [\"The Truth about Linear Regression\"](https:\u002F\u002Fwww.stat.cmu.edu\u002F~cshalizi\u002FTALR\u002FTALR.pdf) by Cosma Rohilla Shalizi\n* :orange_book: [\"Lecture notes on Ridge regression\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1509.09169.pdf) by Wessel N. van Wieringen\n* :orange_book: [\"Linear Model and Extensions\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2401.00649.pdf) by Peng Ding\n* :orange_book: [\"Regression and Other Stories\"](https:\u002F\u002Fusers.aalto.fi\u002F~ave\u002FROS.pdf) by Andrew Gelman, Jennifer Hill, and Aki Vehtari\n* :orange_book: [\"Lecture Notes on High Dimensional Linear Regression\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.15633) by Alberto Quaini\n* :earth_africa: [\"Analysing Data using Linear Models\"](https:\u002F\u002Fbookdown.org\u002Fpingapang9\u002Flinear_models_bookdown\u002F) by Stéphanie M. van den Berg\n\n\n---\n### Machine learning\n* :orange_book: [\"An Introduction to Statistical Learning with Applications in Python\"](https:\u002F\u002Fhastie.su.domains\u002FISLP\u002FISLP_website.pdf.view-in-google.html) by James, Witten, Hastie, Tibshirani, and Taylor\n* :orange_book: [\"The Elements of Statistical Learning\"](https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002Fprintings\u002FESLII_print12_toc.pdf.download.html) by Hastie, Tibshirani, and Friedman\n* :orange_book: [\"Computer Age Statistical Inference: Algorithms, Evidence and Data Science\"](https:\u002F\u002Fhastie.su.domains\u002FCASI_files\u002FPDF\u002Fcasi.pdf.download.html) by Bradley Efron and Trevor Hastie\n* :orange_book: [\"Pattern Recognition and Machine Learning\"](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fuploads\u002Fprod\u002F2006\u002F01\u002FBishop-Pattern-Recognition-and-Machine-Learning-2006.pdf) by Christopher M. Bishop\n* :orange_book: [\"Probabilistic Machine Learning: An Introduction\"](https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml-book\u002Freleases\u002Flatest\u002Fdownload\u002Fbook1.pdf) by Kevin Patrick Murphy\n* :orange_book: [\"Probabilistic Machine Learning: Advanced Topics\"](https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Freleases\u002Flatest\u002Fdownload\u002Fbook2.pdf) by Kevin Patrick Murphy\n* :orange_book: [\"Understanding Machine Learning: From Theory to Algorithms\"](https:\u002F\u002Fwww.cs.huji.ac.il\u002F~shais\u002FUnderstandingMachineLearning\u002Fcopy.html) by Shai Shalev-Shwartz and Shai Ben-David\n* :orange_book: [\"Foundations of Machine Learning\"](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F38p0j6ds5q9c8oe\u002F10290.pdf) by Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar\n* :orange_book: [\"Gaussian Processes for Machine Learning\"](https:\u002F\u002Fgaussianprocess.org\u002Fgpml\u002Fchapters\u002FRW.pdf) by Carl Edward Rasmussen and Christopher K. I. Williams\n* :orange_book: [\"Information Theory, Inference, and Learning Algorithms\"](https:\u002F\u002Fwww.inference.org.uk\u002Fitprnn\u002Fbook.pdf) by David J. C. MacKay\n* :orange_book: [\"Mathematical Analysis of Machine Learning Algorithms\"](https:\u002F\u002Ftongzhang-ml.org\u002Flt-book\u002Flt-book.pdf) by Tong Zhang\n* :orange_book: [\"A Comprehensive Guide to Machine Learning\"](https:\u002F\u002Fsnasiriany.me\u002Ffiles\u002Fml-book.pdf) by Soroush Nasiriany, Garrett Thomas, William Wang, Alex Yang, Jennifer Listgarten, and Anant Sahai\n* :orange_book: [\"A Course in Machine Learning\"](http:\u002F\u002Fciml.info\u002Fdl\u002Fv0_99\u002Fciml-v0_99-all.pdf) by Hal Daumé III\n* :orange_book: [\"Machine Learning - A First Course for Engineers and Scientists\"](https:\u002F\u002Fsmlbook.org\u002Fbook\u002Fsml-book-draft-latest.pdf) by Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, and Thomas B. Schön\n* :orange_book: [\"Automated Machine Learning: Methods, Systems, Challenges\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-030-05318-5.pdf) by  Frank Hutter, Lars Kotthoff, and Joaquin Vanschoren\n* :orange_book: [\"Statistics and Machine Learning in Python\"](https:\u002F\u002Fraw.githubusercontent.com\u002Fduchesnay\u002Fdata\u002Fmaster\u002Fpdf\u002FStatisticsMachineLearningPython.pdf) by Edouard Duchesnay, Tommy Löfstedt, and Feki Younes\n* :orange_book: [\"Bayesian Reasoning and Machine Learning\"](http:\u002F\u002Fweb4.cs.ucl.ac.uk\u002Fstaff\u002FD.Barber\u002Ftextbook\u002F200620.pdf) by David Barber\n* :orange_book: [\"Boosting: Foundations and Algorithms\"](https:\u002F\u002Fdirect.mit.edu\u002Fbooks\u002Fbook-pdf\u002F2091763\u002Fbook_9780262301183.pdf) by  Robert E. Schapire, and Yoav Freund\n* :orange_book: [\"Algorithms for Decision Making\"](https:\u002F\u002Falgorithmsbook.com\u002Ffiles\u002Fdm.pdf) by Mykel J. Kochenderfer, Tim A. Wheeler, and Kyle H. Wray\n* :orange_book: [\"Introduction to Algorithmic Marketing\"](https:\u002F\u002Fstorage.googleapis.com\u002Falgorithmic-marketing-book\u002Falgorithmic-marketing-ai-for-marketing-operations-r1.8ga.pdf) by Ilya Katsov\n* :orange_book: [\"Applied Data Science\"](https:\u002F\u002Fcolumbia-applied-data-science.github.io\u002Fappdatasci.pdf) by Ian Langmore, and Daniel Krasner\n* :orange_book: [\"CS229 Lecture Notes\"](https:\u002F\u002Fcs229.stanford.edu\u002Fnotes2022fall\u002Fmain_notes.pdf) by Andrew Ng, and Tengyu Ma\n* :orange_book: [\"Random Matrix Methods for Machine Learning\"](https:\u002F\u002Fzhenyu-liao.github.io\u002Fpdf\u002FRMT4ML.pdf) by Romain Couillet, and Zhenyu Liao\n* :orange_book: [\"The Orange Book of Machine Learning\"](https:\u002F\u002Fcarl-mcbride-ellis.github.io\u002FTOBoML\u002FTOBoML.pdf) by Carl McBride Ellis\n* :orange_book: [\"Learning Theory from First Principles\"](https:\u002F\u002Fwww.di.ens.fr\u002F~fbach\u002Fltfp_book.pdf) by Francis Bach\n* :orange_book: [\"Advanced Data Analysis from an Elementary Point of View\"](https:\u002F\u002Fciteseerx.ist.psu.edu\u002Fdocument?repid=rep1&type=pdf&doi=a0ec06896e6775d03cf2e905f48616bc2ffadf19) by Cosma Rohilla Shalizi\n* :orange_book: [\"Machine Learning\"](https:\u002F\u002Fwww.cs.cmu.edu\u002F~tom\u002Ffiles\u002FMachineLearningTomMitchell.pdf) by Tom Mitchell\n* :orange_book: [\"Hyperparameter Tuning for Machine and Deep Learning with R: A Practical Guide\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-981-19-5170-1.pdf) Eds.:  Eva Bartz, Thomas Bartz-Beielstein, Martin Zaefferer, and Olaf Mersmann\n* :orange_book: [\"Foundations of Data Science\"](https:\u002F\u002Fwww.cs.cornell.edu\u002Fjeh\u002Fbook.pdf) by Avrim Blum, John Hopcroft, and Ravindran Kannan\n* :orange_book: [\"Machine Learning Systems: Principles and Practices of Engineering Artificially Intelligent Systems\"](https:\u002F\u002Fwww.mlsysbook.ai\u002Fassets\u002Fdownloads\u002FMachine-Learning-Systems.pdf) by Vijay Janapa Reddi\n* :orange_book: [\"Concise Machine Learning\"](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~jrs\u002Fpapers\u002Fmachlearn.pdf) by Jonathan Richard Shewchuk\n* :orange_book: [\"Data Science and Machine Learning: Mathematical and Statistical Methods\"](https:\u002F\u002Fpeople.smp.uq.edu.au\u002FDirkKroese\u002FDSML\u002FDSML.pdf) by Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, and Radislav Vaisman\n* :orange_book: [\"Probabilistic Artificial Intelligence\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.05244) by Andreas Krause, and Jonas Hübotter\n* :orange_book: [\"A Brief Introduction to Machine Learning for Engineers\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1709.02840.pdf) by Osvaldo Simeone\n* :orange_book: [\"Machine Learning: The Basics\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1805.05052) by Alexander Jung\n* :orange_book: [\"A high-bias, low-variance introduction to Machine Learning for physicists\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1803.08823) by Pankaj Mehta, Marin Bukov, Ching-Hao Wang, Alexandre G.R. Day, Clint Richardson, Charles K. Fisher, David J. Schwab\n* :orange_book: [\"Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12808.pdf) by Sebastian Raschka\n* :orange_book: [\"Hyper-Parameter Optimization: A Review of Algorithms and Applications\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.05689.pdf) by Tong Yu and Hong Zhu\n* :orange_book: [\"How to avoid machine learning pitfalls: a guide for academic researchers\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2108.02497.pdf) by Michael A. Lones\n* :orange_book: [\"Online Learning: A Comprehensive Survey\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.02871.pdf) by Steven C. H. Hoi, Doyen Sahoo, Jing Lu and Peilin Zhao\n* :orange_book: [\"Introduction to Machine Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.02668) by Laurent Younes\n* :earth_africa: [\"Supervised Machine Learning for Science\"](https:\u002F\u002Fml-science-book.com\u002F) by Christoph Molnar, and Timo Freiesleben\n* :earth_africa: [\"Python Data Science Handbook\"](https:\u002F\u002Fjakevdp.github.io\u002FPythonDataScienceHandbook\u002F) by Jake VanderPlas\n* :earth_africa: [\"A Guide on Data Analysis\"](https:\u002F\u002Fbookdown.org\u002Fmike\u002Fdata_analysis\u002F) by Mike Nguyen\n* :earth_africa: [\"Applied Machine Learning for Tabular Data\"](https:\u002F\u002Faml4td.org\u002F) by Max Kuhn, and Kjell Johnson\n* :earth_africa: [\"Applied Machine Learning in Python: a Hands-on Guide with Code\"](https:\u002F\u002Fgeostatsguy.github.io\u002FMachineLearningDemos_Book\u002Fintro.html) by Michael J. Pyrcz\n* :earth_africa: [\"Learning Data Science\"](https:\u002F\u002Flearningds.org\u002F) by Sam Lau, Joey Gonzalez, and Deb Nolan\n* :earth_africa: [\"Veridical Data Science: The Practice of Responsible Data Analysis and Decision Making\"](https:\u002F\u002Fvdsbook.com\u002F) by Bin Yu, and Rebecca L. Barter\n\n---\n### [R](https:\u002F\u002Fwww.r-project.org\u002F) realted\n* :earth_africa: [\"Big Book of R\"](https:\u002F\u002Fwww.bigbookofr.com\u002F) by Oscar Baruffa\n* :earth_africa: [\"Hands-On Programming with R\"](https:\u002F\u002Frstudio-education.github.io\u002Fhopr\u002F) by Garrett Grolemund\n* :earth_africa: [\"Hands-On Machine Learning with R\"](https:\u002F\u002Fbradleyboehmke.github.io\u002FHOML\u002F) by Bradley Boehmke and Brandon Greenwell\n* :earth_africa: [\"Linear Algebra for Data Science with examples in R\"](https:\u002F\u002Fshainarace.github.io\u002FLinearAlgebra\u002Findex.html) by Shaina Race Bennett\n* :orange_book: [\"Deep R Programming\"](https:\u002F\u002Fdeepr.gagolewski.com\u002Fdeepr.pdf) by Marek Gagolewski\n* :earth_africa: [\"Efficient R programming\"](https:\u002F\u002Fcsgillespie.github.io\u002FefficientR\u002F) by Colin Gillespie, and Robin Lovelace\n* :earth_africa: [\"R for Data Science\"](https:\u002F\u002Fr4ds.hadley.nz\u002F) by Hadley Wickham, Mine Çetinkaya-Rundel, and Garrett Grolemund\n* :earth_africa: [\"Advanced R\"](https:\u002F\u002Fadv-r.hadley.nz\u002F) by Hadley Wickham\n* :earth_africa: [\"The Epidemiologist R Handbook\"](https:\u002F\u002Fepirhandbook.com\u002Fen\u002F) editor Neale Batra\n* :earth_africa: [\"Practical Statistics in Medicine with R\"](https:\u002F\u002Fpractical-stats-med-r.netlify.app\u002F) by Konstantinos I. Bougioukas\n* :earth_africa: [\"Text Mining with R: A Tidy Approach\"](https:\u002F\u002Fwww.tidytextmining.com\u002F) by Julia Silge and David Robinson\n* :earth_africa: [\"Spatial Statistics for Data Science: Theory and Practice with R\"](https:\u002F\u002Fwww.paulamoraga.com\u002Fbook-spatial\u002F) by Paula Moraga\n* :earth_africa: [\"R Graphics Cookbook\"](https:\u002F\u002Fr-graphics.org\u002F) by Winston Chang\n* :earth_africa: [\"Toolbox for Social Scientists and Policy Analysts: Applied Predictive Analytics with Machine Learning and R\"](https:\u002F\u002Fyaydede.github.io\u002Ftoolbox\u002F) by Yigit Aydede\n* :earth_africa: [\"Fundamentos de ciencia de datos con R\"](https:\u002F\u002Fcdr-book.github.io\u002Findex.html) by Gema Fernández-Avilés Calderón y José-María Montero\n* :earth_africa: [\"Modern Data Visualization with R\"](https:\u002F\u002Frkabacoff.github.io\u002Fdatavis\u002F) by Robert Kabacoff\n* :earth_africa: [\"Introduction to Econometrics with R\"](https:\u002F\u002Fwww.econometrics-with-r.org\u002F) by Christoph Hanck, Martin Arnold, Alexander Gerber, and Martin Schmelzer\n* :orange_book: [\"The R Inferno\"](https:\u002F\u002Fwww.burns-stat.com\u002Fpages\u002FTutor\u002FR_inferno.pdf) by Patrick Burns\n\n---\n### Feature engineering\n* :earth_africa: [\"Feature Engineering and Selection: A Practical Approach for Predictive Models\"](http:\u002F\u002Fwww.feat.engineering\u002F) by Max Kuhn and Kjell Johnson\n* :earth_africa: [\"Feature Engineering A-Z\"](https:\u002F\u002Ffeaz-book.com\u002F) by Emil Hvitfeldt\n\n---\n### Explainability\u002Finterpretability\n* :orange_book: [\"Trustworthy Machine Learning\"](http:\u002F\u002Ftrustworthymachinelearning.com\u002Ftrustworthymachinelearning.pdf) by Kush R. Varshney\n* :orange_book: [\"Trustworthy Machine Learning: Theory, Applications, Intuitions\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.08215) by Bálint Mucsányi, Michael Kirchhof, Elisa Nguyen, Alexander Rubinstein, and Seong Joon Oh\n* :orange_book: [\"A Comprehensive Guide to Explainable AI: From Classical Models to LLMs\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.00800) by Weiche Hsieh, *et al.*\n* :orange_book: [\"Interpretable Machine Learning in Physics: A Review\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2503.23616) by Wetzel, Ha, Iten, Klopotek, and Liu\n* :earth_africa: [\"Interpretable Machine Learning: A Guide for Making Black Box Models Explainable\"](https:\u002F\u002Fchristophm.github.io\u002Finterpretable-ml-book\u002F) by Christoph Molnar\n* :earth_africa: [\"Explanatory Model Analysis\"](https:\u002F\u002Fema.drwhy.ai\u002F) by Przemyslaw Biecek and Tomasz Burzykowski\n\n---\n### Deep learning \u002F neural networks\n* :orange_book: [\"The Modern Mathematics of Deep Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2105.04026.pdf) by Julius Berner, Philipp Grohs, Gitta Kutyniok, and Philipp Petersen\n* :orange_book: [\"Mathematics of Neural Networks\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.04807) by Bart M.N. Smets\n* :orange_book: [\"The Principles of Deep Learning Theory\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.10165.pdf) by Daniel A. Roberts, Sho Yaida, and Boris Hanin\n* :orange_book: [\"Machine learning with neural networks\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1901.05639.pdf) by Bernhard Mehlig\n* :orange_book: [\"Dive into Deep Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.11342.pdf) by Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola\n* :orange_book: [\"Deep Learning on Graphs\"](https:\u002F\u002Fyaoma24.github.io\u002Fdlg_book\u002Fdlg_book.pdf) by Yao Ma and Jiliang Tang\n* :orange_book: [\"Physics-based Deep Learning\"](https:\u002F\u002Fbrowse.arxiv.org\u002Fpdf\u002F2109.05237.pdf) by Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, and Kiwon Um\n* :orange_book: [\"Understanding Deep Learning\"](https:\u002F\u002Fgithub.com\u002Fudlbook\u002Fudlbook\u002Freleases\u002Fdownload\u002Fv5.0.2\u002FUnderstandingDeepLearning_05_29_25_C.pdf) by Simon J. D. Prince \n* :orange_book: [\"The Little Book of Deep Learning\"](https:\u002F\u002Ffleuret.org\u002Fpublic\u002Flbdl.pdf) by François Fleuret\n* :orange_book: [\"Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.20360) by Arnulf Jentzen, Benno Kuckuck, and Philippe von Wurstemberger\n* :orange_book: [\"Mathematical theory of deep learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2407.18384) by Philipp Petersen, and Jakob Zech\n* :orange_book: [\"Theory of Deep Learning\"](https:\u002F\u002Fwww.cs.princeton.edu\u002F~arora\u002FTheoryDL.pdf) by Sanjeev Arora, *et al.*\n* :orange_book: [\"Loss Functions and Metrics in Deep Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.02694) by Juan Terven, Diana M. Cordova-Esparza, Alfonso Ramirez-Pedraza, Edgar A. Chavez-Urbiola, and Julio A. Romero-Gonzalez\n* :orange_book: [\"Understanding Deep Learning\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1fejSMGPIDMO4eilsIDj-7QcFsCge4vdv\u002Fview) by Chitta Ranjan\n* :earth_africa: [\"Deep Learning: Foundations and Concepts\"](https:\u002F\u002Fissuu.com\u002Fcmb321\u002Fdocs\u002Fdeep_learning_ebook) by Christopher M. Bishop and Hugh Bishop\n* :earth_africa: [\"Deep Learning for Coders with fastai and PyTorch: AI Applications Without a PhD\"](https:\u002F\u002Fcourse.fast.ai\u002FResources\u002Fbook.html) by Jeremy Howard, and Sylvain Gugger\n* :earth_africa: [\"Deep Learning with Python, Third Edition\"](https:\u002F\u002Fdeeplearningwithpython.io\u002Fchapters\u002F) by François Chollet, and Matthew Watson \n\n---\n### Reinforcement learning\n* :orange_book: [\"Reinforcement Learning: An Introduction\"](http:\u002F\u002Fwww.incompleteideas.net\u002Fbook\u002FRLbook2020.pdf) by Richard S. Sutton and Andrew G. Barto\n* :orange_book: [\"Multi-Agent Reinforcement Learning\"](https:\u002F\u002Fwww.marl-book.com\u002Fdownload) by  Stefano V. Albrecht,  Filippos Christianos, and Lukas Schäfer\n* :orange_book: [\"Distributional Reinforcement Learning\"](https:\u002F\u002Fdirect.mit.edu\u002Fbooks\u002Fbook-pdf\u002F2111075\u002Fbook_9780262374026.pdf) by  Marc G. Bellemare, Will Dabney, and Mark Rowland\n* :orange_book: [\"Mathematical Foundations of Reinforcement Learning\"](https:\u002F\u002Fraw.githubusercontent.com\u002FMathFoundationRL\u002FBook-Mathematical-Foundation-of-Reinforcement-Learning\u002Frefs\u002Fheads\u002Fmain\u002FBook-all-in-one.pdf) by Shiyu Zhao\n* :orange_book: [\"Reinforcement Learning: Foundations\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QApF7NFEciyD3C8V5ugYcnxkg6BPutqw\u002Fview) by Shie Mannor, Yishay Mansour, and Aviv Tamar\n* :orange_book: [\"Reinforcement Learning: An Overview\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.05265) by Kevin Murphy\n* :orange_book: [\"An Introduction to Deep Reinforcement Learning\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12560) by Vincent Francois-Lavet, Peter Henderson, Riashat Islam, Marc G. Bellemare, and Joelle Pineau\n* :orange_book: [\"The Mathematics of Reinforcement Learning\"](https:\u002F\u002Fwww.wim.uni-mannheim.de\u002Fmedia\u002FLehrstuehle\u002Fwim\u002Fdoering\u002FRL\u002FRL_VORLESUNG.pdf) by Leif Döring\n\n---\n### Recommender systems\n* :orange_book: [\"Recommender Systems\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1202.1112.pdf) by Linyuan Lü, Matus Medo, Chi Ho Yeung, Yi-Cheng Zhang, Zi-Ke Zhang, and Tao Zhou\n* :orange_book: [\"Recommender Systems: A Primer\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2302.02579) Pablo Castells, and Dietmar Jannach\n\n---\n### Anomaly detection\n* :earth_africa: [\"That’s weird! Anomaly detection using R\"](https:\u002F\u002Fotexts.com\u002Fweird\u002F) by Rob J. Hyndman\n\n---\n### Computer vision\n* :orange_book: [\"Computer Vision:  Models, Learning, and Inference\"](https:\u002F\u002Fraw.githubusercontent.com\u002Fudlbook\u002Fcvbook\u002Fmain\u002Fbook.pdf) by Simon J. D. Prince\n* :orange_book: [\"Computer Vision: Algorithms and Applications\" (1st Ed)](https:\u002F\u002Fszeliski.org\u002FBook\u002Fdrafts\u002FSzeliskiBook_20100903_draft.pdf) by Richard Szeliski\n* :earth_africa: [\"Foundations of Computer Vision\"](https:\u002F\u002Fvisionbook.mit.edu\u002F) by  Antonio Torralba, Phillip Isola, and William Freeman\n\n---\n### Natural language processing (NLP) and large language models (LLM)\n* :orange_book: [\"Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition\"](https:\u002F\u002Fweb.stanford.edu\u002F~jurafsky\u002Fslp3\u002Fed3book_Jan25.pdf) by Dan Jurafsky and James H. Martin \n* :orange_book: [\"Large Language Models\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.05782.pdf) by Michael R. Douglas\n* :orange_book: [\"Graph Neural Networks for Natural Language Processing: A Survey\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.06090.pdf) by Lingfei Wu, Yu Chen, Kai Shen, Xiaojie Guo, Hanning Gao, Shucheng Li, Jian Pei, and Bo Long\n* :orange_book: [\"Formal Aspects of Language Modeling\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2311.04329.pdf) by Ryan Cotterell, Anej Svete, Clara Meister, Tianyu Liu, and Li Du\n* :orange_book: [\"Foundation Models for Natural Language Processing\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-031-23190-2.pdf) by  Gerhard Paaß, and Sven Giesselbach\n* :orange_book: [\"What are embeddings\"](https:\u002F\u002Fraw.githubusercontent.com\u002Fveekaybee\u002Fwhat_are_embeddings\u002Fmain\u002Fembeddings.pdf) by Vicki Boykis\n* :orange_book: [\"A Survey of Large Language Models\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.18223.pdf) by Wayne Xin Zhao, *et al.*\n* :orange_book: [\"Large Language Models: A Survey\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2402.06196) by Shervin Minaee, *et al.*\n* :orange_book: [\"A Comprehensive Overview of Large Language Models\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.06435) by Humza Naveed, *et al.*\n* :orange_book: [\"A Survey on Large Language Models with some Insights on their Capabilities and Limitations\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.04040) by Andrea Matarazzo, and Riccardo Torlone\n* :orange_book: [\"Foundations of Large Language Models\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.09223) by Tong Xiao, and Jingbo Zhu\n* :earth_africa: [\"Text Mining with R: A Tidy Approach\"](https:\u002F\u002Fwww.tidytextmining.com\u002F) by Julia Silge and David Robinson\n* :earth_africa: [\"Natural Language Processing with Python - Analyzing Text with the Natural Language Toolkit\"](https:\u002F\u002Fwww.nltk.org\u002Fbook\u002F) by Steven Bird, Ewan Klein, and Edward Loper\n\n---\n### Causal inference\n* :orange_book: [\"Causal Machine Learning: A Survey and Open Problems\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2206.15475.pdf) by Jean Kaddour, Aengus Lynch, Qi Liu, Matt J. Kusner, and Ricardo Silva\n* :orange_book: [\"Recent Developments in Causal Inference and Machine Learning\"](https:\u002F\u002Fwww.annualreviews.org\u002Fdoi\u002Fpdf\u002F10.1146\u002Fannurev-soc-030420-015345) by Jennie E. Brand, Xiang Zhou, and Yu Xie\n* :orange_book: [\"A First Course in Causal Inference\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2305.18793.pdf) by Peng Ding\n* :orange_book: [\"Causal Factor Investing\"](https:\u002F\u002Fwww.cambridge.org\u002Fcore\u002Fservices\u002Faop-cambridge-core\u002Fcontent\u002Fview\u002F9AFE270D7099B787B8FD4F4CBADE0C6E\u002F9781009397292AR.pdf\u002Fcausal-factor-investing.pdf) by Marcos M. López de Prado\n* :orange_book: [\"Survey and Evaluation of Causal Discovery Methods for Time Series\"](https:\u002F\u002Fwww.jair.org\u002Findex.php\u002Fjair\u002Farticle\u002Fview\u002F13428\u002F26917) by Charles K. Assaad, Emilie Devijver, and Eric Gaussier\n* :orange_book: [\"Applied Causal Inference Powered by ML and AI\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.02467v1.pdf) by Victor Chernozhukov, Christian Hansen, Nathan Kallus, Martin Spindler, and Vasilis Syrgkanis\n* :orange_book: [\"Causal Inference: A Statistical Learning Approach\"](https:\u002F\u002Fweb.stanford.edu\u002F~swager\u002Fcausal_inf_book.pdf) by Stefan Wager\n* :orange_book: [\"Probability and Causality. Conditional and Average Total Effects\"](https:\u002F\u002Fcausal-effects.de\u002Fget.php?f=1032) by Rolf Steyer\n* :orange_book: [\"What If\"](https:\u002F\u002Fmiguelhernan.org\u002Fs\u002Fhernanrobins_WhatIf_27may25.pdf) by Miguel A. Hernán, and James M. Robins\n* :orange_book: [\"Causal Artificial Intelligence\"](https:\u002F\u002Fcausalai-book.net\u002Fbook.html) by Elias Bareinboim\n* :earth_africa: [\"Applied Causal Inference\"](https:\u002F\u002Fappliedcausalinference.github.io\u002Faci_book\u002F) by Uday Kamath, Kenneth Graham, and Mitchell Naylor\n* :earth_africa: [\"Causal Inference for The Brave and True\"](https:\u002F\u002Fmatheusfacure.github.io\u002Fpython-causality-handbook\u002Flanding-page.html) by Matheus Facure Alves\n* :earth_africa: [\"How to Interpret Statistical Models Using marginaleffects for R and Python\"](https:\u002F\u002Fmarginaleffects.com\u002F) by Vincent Arel-Bundock, Noah Greifer, and Andrew Heiss\n\n---\n### Conformal prediction\n* :orange_book: [\"A Tutorial on Conformal Prediction\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F0706.3188.pdf) by Glenn Shafer and Vladimir Vovk\n* :orange_book: [\"Conformal Prediction: a Unified Review of Theory and New Challenges\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2005.07972.pdf) by Matteo Fontana, Gianluca Zeni and Simone Vantini\n* :orange_book: [\"A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2107.07511.pdf) by Anastasios N. Angelopoulos and Stephen Bates\n* :orange_book: [\"Theoretical Foundations of Conformal Prediction\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2411.11824) by Anastasios N. Angelopoulos, Rina Foygel Barber, and Stephen Bates\n* :orange_book: [\"Machine Learning Learning Beyond Point Predictions: Uncertainty Quantification\"](https:\u002F\u002Frafaelizbicki.com\u002FUQ4ML.pdf) by Rafael Izbicki\n\n---\n### Time series: Forecasting\n* :earth_africa: [\"Forecasting: Principles and Practice\"](https:\u002F\u002Fotexts.com\u002Ffpp3\u002F) by Rob J. Hyndman and George Athanasopoulos\n* :earth_africa: [\"Forecasting: Principles and Practice, the Pythonic Way\"](https:\u002F\u002Fotexts.com\u002Ffpppy\u002F) by Rob J. Hyndman, George Athanasopoulos, Azul Garza, Cristian Challu, Max Mergenthaler, and Kin G. Olivares\n* :orange_book: [\"Forecasting: theory and practice\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.03854.pdf) by Fotios Petropoulos *et al.*\n* :earth_africa: [\"Forecasting: theory and practice\" (Online version)](https:\u002F\u002Fforecasting-encyclopedia.com\u002F) Editors: Fotios Petropoulos, Yanfei Kang, and  Feng Li\n* :orange_book: [\"Forecast Evaluation for Data Scientists: Common Pitfalls and Best Practices\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2203.10716.pdf) by Hansika Hewamalagea, Klaus Ackermannb, and Christoph Bergmeir\n* :orange_book: [\"Time Series Analysis\"](https:\u002F\u002Fbatch.libretexts.org\u002Fprint\u002FLetter\u002FFinished\u002Fstats-826\u002FFull.pdf) by Alexander Aue\n* :orange_book: [\"Time Series for Macroeconomics and Finance\"](https:\u002F\u002Fstatic1.squarespace.com\u002Fstatic\u002F5e6033a4ea02d801f37e15bb\u002Ft\u002F5ed92dcb7665261af1aa23f2\u002F1591291342389\u002Ftime_series_book.pdf) by John H. Cochrane\n* :earth_africa: [\"Demand Forecasting for Executives and Professionals\"](https:\u002F\u002Fdfep.netlify.app\u002F) by Stephan Kolassa, Bahman Rostami-Tabar, and Enno Siemsen\n\n---\n","# 免费机器学习阅读资源汇总\n说明：\n* :orange_book: PDF 文件\n* :earth_africa: HTML 书籍\n## 目录\n1. [EDA、可视化与数据清洗](#eda-visualization-and-data-cleaning) (8)\n2. [机器学习数学基础](#mathematics-for-ml) (13)\n3. [统计学与概率论](#statistics-and-probability) (16)\n4. [优化方法](#optimization) (7)\n5. [线性回归](#linear-regression) (6)\n6. [机器学习](#machine-learning) (48)\n7. [R 相关](#r-realted) (18)\n8. [特征工程](#feature-engineering) (2)\n9. [可解释性\u002F模型解释](#explainabilityinterpretability) (6)\n10. [深度学习\u002F神经网络](#deep-learning--neural-networks) (17)\n11. [强化学习](#reinforcement-learning) (8)\n12. [推荐系统](#recommender-systems) (2)\n13. [异常检测](#anomaly-detection) (1)\n14. [计算机视觉](#computer-vision) (3)\n15. [自然语言处理 (NLP) 与大型语言模型 (LLM)](#natural-language-processing-nlp-and-large-language-models-llm) (13)\n16. [因果推断](#causal-inference) (13)\n17. [一致性预测](#conformal-prediction) (5)\n18. [时间序列：预测](#time-series-forecasting) (6)\n\n书籍总数：**193**\n\n\u003Csub>注：此处列出的所有书籍均由其作者或出版商免费提供，所有 [arXiv](https:\u002F\u002Farxiv.org\u002F) 论文本身也是免费的。\u003C\u002Fsub>\n\n---\n### EDA、可视化与数据清洗\n* :earth_africa: [\"Python 数据分析（第3版）\"](https:\u002F\u002Fwesmckinney.com\u002Fbook\u002F) 作者：Wes McKinney\n* :earth_africa: [\"缺失值的灵活插补\"](https:\u002F\u002Fstefvanbuuren.name\u002Ffimd\u002F) 作者：Stef van Buuren\n* :earth_africa: [\"数据可视化基础\"](https:\u002F\u002Fclauswilke.com\u002Fdataviz\u002F) 作者：Claus O. Wilke\n* :earth_africa: [\"R 图形 Cookbook\"](https:\u002F\u002Fr-graphics.org\u002F) 作者：Winston Chang\n* :earth_africa: [\"使用 R 的现代数据可视化\"](https:\u002F\u002Frkabacoff.github.io\u002Fdatavis\u002F) 作者：Robert Kabacoff\n* :orange_book: [\"数据清洗与机器学习：系统性文献综述\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2310.01765) 作者：Pierre-Olivier Côté, Amin Nikanjam, Nafisa Ahmed, Dmytro Humeniuk, 和 Foutse Khomh\n* :orange_book: [\"Think Stats：用 Python 进行探索性数据分析\"](https:\u002F\u002Fgreenteapress.com\u002Fthinkstats2\u002Fthinkstats2.pdf) 作者：Allen B. Downey\n* :orange_book: [\"SQL 专业笔记\"](https:\u002F\u002Fbooks.goalkicker.com\u002FSQLBook\u002FSQLNotesForProfessionals.pdf)\n\n---\n### 机器学习数学基础\n* :orange_book: [\"机器学习数学\"](https:\u002F\u002Fmml-book.github.io\u002Fbook\u002Fmml-book.pdf) 作者：Marc Peter Deisenroth, A. Aldo Faisal, 和 Cheng Soon Ong\n* :orange_book: [\"深度学习所需的矩阵微积分\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.01528.pdf) 作者：Terence Parr 和 Jeremy Howard\n* :orange_book: [\"矩阵分析\"](https:\u002F\u002Ftropp.caltech.edu\u002Fnotes\u002FTro22-Matrix-Analysis-LN.pdf) 作者：Joel A. Tropp\n* :orange_book: [\"线性代数做对了\"](https:\u002F\u002Fwww.math.brown.edu\u002Fstreil\u002Fpapers\u002FLADW\u002FLADW_2025_08-25.pdf) 作者：Sergei Treil\n* :orange_book: [\"线性代数正确做法\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-031-41026-0.pdf) 作者：Sheldon Axler\n* :orange_book: [\"线性代数：理论与应用\"](https:\u002F\u002Fd2orq2otfnmxdd.cloudfront.net\u002Fbooks\u002FLinearalgebra\u002FLinearalgebra.pdf) 作者：Kenneth Kuttler\n* :orange_book: [\"矩阵手册\"](https:\u002F\u002Fwww2.imm.dtu.dk\u002Fpubdb\u002Fedoc\u002Fimm3274.pdf) 作者：Kaare Brandt Petersen 和 Michael Syskind Pedersen\n* :orange_book: [\"应用线性代数导论：向量、矩阵与最小二乘法\"](https:\u002F\u002Fweb.stanford.edu\u002F~boyd\u002Fvmls\u002Fvmls.pdf) 作者：Stephen Boyd 和 Lieven Vandenberghe\n* :orange_book: [\"面向数据科学的线性代数\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1nJVwdQV9zp-Q9VQenZF0-HOOG6L2lEOD\u002Fview) 作者：Wanmo Kang 和 Kyunghyun Cho\n* :orange_book: [\"面向计算机视觉、机器人和机器学习的线性代数\"](https:\u002F\u002Fwww.seas.upenn.edu\u002F~cis5150\u002Flinalg-I.pdf) 作者：Jean Gallier 和 Jocelyn Quaintance\n* :orange_book: [\"矩阵微积分（用于机器学习及其他领域）\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14787) 作者：Paige Bright、Alan Edelman、Steven G. Johnson\n* :orange_book: [\"面向计算机科学和机器学习的代数、拓扑、微分计算与优化理论\"](https:\u002F\u002Fwww.cis.upenn.edu\u002F~jean\u002Fmath-deep.pdf) 作者：Jean Gallier 和 Jocelyn Quaintance\n* :orange_book: [\"数据科学线性代数基础\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1rQKTjknuHE3HC_9Gyovn4DYZLFe7nBQZ\u002Fview?usp=sharing) 作者：Wanmo Kang 和 Kyunghyun Cho\n* :earth_africa: [\"带有 R 示例的数据科学线性代数\"](https:\u002F\u002Fshainarace.github.io\u002FLinearAlgebra\u002Findex.html) 作者：Shaina Race Bennett\n\n---\n\n### 统计学与概率论\n* :orange_book: [《概率与统计——不确定性之科学》](https:\u002F\u002Fwww.utstat.toronto.edu\u002Fmikevans\u002Fjeffrosenthal\u002Fbook.pdf) 作者：迈克尔·J·埃文斯、杰弗里·S·罗森塔尔\n* :orange_book: [《高维概率》](https:\u002F\u002Ftropp.caltech.edu\u002Fnotes\u002FTro21-Probability-High-LN-corr.pdf) 作者：乔尔·A·特罗普\n* :orange_book: [《概率导论》](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1VmkAAGOYCTORq1wxSQqy255qLJjTNvBI\u002Fedit) 作者：约瑟夫·K·布利茨施泰因、杰西卡·黄\n* :orange_book: [《中心极限定理史：从经典到现代概率论》](https:\u002F\u002Fwww.medicine.mcgill.ca\u002Fepidemiology\u002Fhanley\u002Fbios601\u002FGaussianModel\u002FHistoryCentralLimitTheorem.pdf) 作者：汉斯·费舍尔\n* :orange_book: [《思考贝叶斯：简单易懂的贝叶斯统计》](https:\u002F\u002Fwww.greenteapress.com\u002Fthinkbayes\u002Fthinkbayes.pdf) 作者：艾伦·B·道尼\n* :orange_book: [《贝叶斯统计导论》](https:\u002F\u002Fwww.stat.auckland.ac.nz\u002F~brewer\u002Fstats331.pdf) 作者：布伦登·J·布鲁尔\n* :orange_book: [《使用Jamovi学习统计学》](https:\u002F\u002Fdavidfoxcroft.github.io\u002Flsj-book\u002Flearning-statistics-with-jamovi.pdf) 作者：丹妮尔·J·纳瓦罗、大卫·R·福克斯克罗夫特\n* :orange_book: [《贝叶斯数据分析》](http:\u002F\u002Fwww.stat.columbia.edu\u002F~gelman\u002Fbook\u002FBDA3.pdf) 作者：安德鲁·盖尔曼、约翰·卡尔林、哈尔·斯特恩、大卫·邓森、阿基·韦赫塔里、唐纳德·鲁宾\n* :orange_book: [《常见概率分布简编》](https:\u002F\u002Fwww.causascientia.org\u002Fmath_stat\u002FDists\u002FCompendium.pdf) 作者：迈克尔·P·麦克劳克林\n* :orange_book: [《数据科学中的概率与统计》](https:\u002F\u002Fcims.nyu.edu\u002F~cfgranda\u002Fpages\u002Fstuff\u002Fprobability_stats_for_DS.pdf) 作者：卡洛斯·费尔南德斯-格兰达\n* :orange_book: [《统计建模：14个主题巡礼》](https:\u002F\u002Fuser.math.uzh.ch\u002Ffurrer\u002Fdownload\u002Fsta121\u002Fscript_sta121.pdf) 作者：莱因哈德·富勒\n* :orange_book: [《稳健统计》](http:\u002F\u002Fparker.ad.siu.edu\u002FOlive\u002Frunrob.pdf) 作者：大卫·J·奥利夫\n* :orange_book: [《CS109 计算机科学家的概率论》](https:\u002F\u002Fchrispiech.github.io\u002FprobabilityForComputerScientists\u002Fen\u002FProbabilityForComputerScientists.pdf) 作者：克里斯·皮奇\n* :orange_book: [《点滴之间：以视觉为重点介绍概率与决策》](https:\u002F\u002Fjonathanweisberg.org\u002Fvip\u002F_main.pdf) 作者：乔纳森·魏斯伯格\n* :orange_book: [《格里斯廷和斯奈尔的概率导论》](https:\u002F\u002Fmath.dartmouth.edu\u002F~prob\u002Fprob\u002Fprob.pdf) 作者：彼得·G·多伊尔\n* :orange_book: [《高维概率：带数据科学应用的入门》](https:\u002F\u002Fwww.math.uci.edu\u002F~rvershyn\u002Fpapers\u002FHDP-book\u002FHDP-2.pdf) 作者：罗曼·维尔希宁\n\n---\n### 优化\n* :orange_book: [《凸优化》](https:\u002F\u002Fweb.stanford.edu\u002F~boyd\u002Fcvxbook\u002Fbv_cvxbook.pdf) 作者：斯蒂芬·博伊德、利文·范登贝赫\n* :orange_book: [《流形上优化导论》](https:\u002F\u002Fwww.nicolasboumal.net\u002Fbook\u002FIntroOptimManifolds_Boumal_2023.pdf) 作者：尼古拉斯·布马尔\n* :orange_book: [《机器学习优化讲义》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1909.03550) 作者：埃拉德·哈赞\n* :orange_book: [《教授优化导论的现代方法》](https:\u002F\u002Fcastle.princeton.edu\u002Fwp-content\u002Fuploads\u002F2024\u002F01\u002FPowell-MATO-Final-Jan-23-2024.pdf) 作者：沃伦·B·鲍威尔\n* :orange_book: [《贝叶斯优化》](https:\u002F\u002Fbayesoptbook.com\u002Fbook\u002Fbayesoptbook_a4.pdf) 作者：罗曼·加内特\n* :orange_book: [《优化理论基础及其在机器学习中的应用》](https:\u002F\u002Fwww.seas.upenn.edu\u002F~cis5150\u002Flinalg-II.pdf) 作者：让·加利耶、乔塞琳·奎恩滕斯\n* :orange_book: [《优化算法》](https:\u002F\u002Falgorithmsbook.com\u002Foptimization\u002Ffiles\u002Foptimization.pdf) 作者：迈克尔·J·科亨德费尔、蒂姆·A·惠勒\n\n---\n### 线性回归\n* :orange_book: [《线性回归的真相》](https:\u002F\u002Fwww.stat.cmu.edu\u002F~cshalizi\u002FTALR\u002FTALR.pdf) 作者：科斯玛·罗希拉·沙利兹\n* :orange_book: [《岭回归讲义》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1509.09169.pdf) 作者：韦塞尔·N·范·维林根\n* :orange_book: [《线性模型及其扩展》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2401.00649.pdf) 作者：丁鹏\n* :orange_book: [《回归及其他故事》](https:\u002F\u002Fusers.aalto.fi\u002F~ave\u002FROS.pdf) 作者：安德鲁·盖尔曼、珍妮弗·希尔、阿基·韦赫塔里\n* :orange_book: [《高维线性回归讲义》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.15633) 作者：阿尔贝托·夸伊尼\n* :earth_africa: [《利用线性模型分析数据》](https:\u002F\u002Fbookdown.org\u002Fpingapang9\u002Flinear_models_bookdown\u002F) 作者：斯蒂芬妮·M·范登伯格\n\n\n---\n\n### 机器学习\n* :orange_book: [\"统计学习导论：Python应用\"](https:\u002F\u002Fhastie.su.domains\u002FISLP\u002FISLP_website.pdf.view-in-google.html) 詹姆斯、维滕、哈斯蒂、蒂布希拉尼和泰勒著\n* :orange_book: [\"统计学习要素\"](https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002Fprintings\u002FESLII_print12_toc.pdf.download.html) 哈斯蒂、蒂布希拉尼和弗里德曼著\n* :orange_book: [\"计算机时代的统计推断：算法、证据与数据科学\"](https:\u002F\u002Fhastie.su.domains\u002FCASI_files\u002FPDF\u002Fcasi.pdf.download.html) 布拉德利·埃夫隆和特雷弗·哈斯蒂著\n* :orange_book: [\"模式识别与机器学习\"](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fuploads\u002Fprod\u002F2006\u002F01\u002FBishop-Pattern-Recognition-and-Machine-Learning-2006.pdf) 克里斯托弗·M·毕晓普著\n* :orange_book: [\"概率机器学习导论\"](https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml-book\u002Freleases\u002Flatest\u002Fdownload\u002Fbook1.pdf) 凯文·帕特里克·墨菲著\n* :orange_book: [\"概率机器学习：高级主题\"](https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Freleases\u002Flatest\u002Fdownload\u002Fbook2.pdf) 凯文·帕特里克·墨菲著\n* :orange_book: [\"理解机器学习：从理论到算法\"](https:\u002F\u002Fwww.cs.huji.ac.il\u002F~shais\u002FUnderstandingMachineLearning\u002Fcopy.html) 沙伊·沙列夫-施瓦茨和沙伊·本-大卫著\n* :orange_book: [\"机器学习基础\"](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F38p0j6ds5q9c8oe\u002F10290.pdf) 梅赫里亚尔·莫赫里、阿夫辛·罗斯塔米扎德和阿米特·塔尔瓦卡尔著\n* :orange_book: [\"用于机器学习的高斯过程\"](https:\u002F\u002Fgaussianprocess.org\u002Fgpml\u002Fchapters\u002FRW.pdf) 卡尔·爱德华·拉斯穆森和克里斯托弗·K·I·威廉姆斯著\n* :orange_book: [\"信息论、推理与学习算法\"](https:\u002F\u002Fwww.inference.org.uk\u002Fitprnn\u002Fbook.pdf) 大卫·J·C·麦凯著\n* :orange_book: [\"机器学习算法的数学分析\"](https:\u002F\u002Ftongzhang-ml.org\u002Flt-book\u002Flt-book.pdf) 张彤著\n* :orange_book: [\"机器学习综合指南\"](https:\u002F\u002Fsnasiriany.me\u002Ffiles\u002Fml-book.pdf) 索鲁什·纳西里亚尼、加雷特·托马斯、威廉·王、亚历克斯·杨、珍妮弗·利斯特加滕和阿南特·萨海著\n* :orange_book: [\"机器学习课程\"](http:\u002F\u002Fciml.info\u002Fdl\u002Fv0_99\u002Fciml-v0_99-all.pdf) 哈尔·达乌梅三世著\n* :orange_book: [\"机器学习——工程师与科学家的第一门课程\"](https:\u002F\u002Fsmlbook.org\u002Fbook\u002Fsml-book-draft-latest.pdf) 安德烈亚斯·林德霍尔姆、尼克拉斯·瓦尔斯特伦、弗雷德里克·林德斯滕和托马斯·B·舍恩著\n* :orange_book: [\"自动化机器学习：方法、系统、挑战\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-030-05318-5.pdf) 弗兰克·胡特尔、拉尔斯·科特霍夫和华金·范肖伦著\n* :orange_book: [\"Python中的统计学与机器学习\"](https:\u002F\u002Fraw.githubusercontent.com\u002Fduchesnay\u002Fdata\u002Fmaster\u002Fpdf\u002FStatisticsMachineLearningPython.pdf) 爱德华·杜谢内、汤米·洛夫斯泰特和费基·尤内斯著\n* :orange_book: [\"贝叶斯推理与机器学习\"](http:\u002F\u002Fweb4.cs.ucl.ac.uk\u002Fstaff\u002FD.Barber\u002Ftextbook\u002F200620.pdf) 大卫·巴伯著\n* :orange_book: [\"提升：基础与算法\"](https:\u002F\u002Fdirect.mit.edu\u002Fbooks\u002Fbook-pdf\u002F2091763\u002Fbook_9780262301183.pdf) 罗伯特·E·沙皮罗和约阿夫·弗伦德著\n* :orange_book: [\"决策算法\"](https:\u002F\u002Falgorithmsbook.com\u002Ffiles\u002Fdm.pdf) 迈克尔·J·科亨德费尔、蒂姆·A·惠勒和凯尔·H·雷著\n* :orange_book: [\"算法营销导论\"](https:\u002F\u002Fstorage.googleapis.com\u002Falgorithmic-marketing-book\u002Falgorithmic-marketing-ai-for-marketing-operations-r1.8ga.pdf) 伊利亚·卡佐夫著\n* :orange_book: [\"应用数据科学\"](https:\u002F\u002Fcolumbia-applied-data-science.github.io\u002Fappdatasci.pdf) 伊恩·朗莫尔和丹尼尔·克拉斯纳著\n* :orange_book: [\"CS229讲义\"](https:\u002F\u002Fcs229.stanford.edu\u002Fnotes2022fall\u002Fmain_notes.pdf) 安德鲁·吴和马腾宇著\n* :orange_book: [\"随机矩阵方法在机器学习中的应用\"](https:\u002F\u002Fzhenyu-liao.github.io\u002Fpdf\u002FRMT4ML.pdf) 罗曼·库耶和廖振宇著\n* :orange_book: [\"机器学习橙皮书\"](https:\u002F\u002Fcarl-mcbride-ellis.github.io\u002FTOBoML\u002FTOBoML.pdf) 卡尔·麦克布莱德·埃利斯著\n* :orange_book: [\"基于第一原理的学习理论\"](https:\u002F\u002Fwww.di.ens.fr\u002F~fbach\u002Fltfp_book.pdf) 弗朗西斯·巴赫著\n* :orange_book: [\"从初等视角看高级数据分析\"](https:\u002F\u002Fciteseerx.ist.psu.edu\u002Fdocument?repid=rep1&type=pdf&doi=a0ec06896e6775d03cf2e905f48616bc2ffadf19) 科斯马·罗希拉·沙利齐著\n* :orange_book: [\"机器学习\"](https:\u002F\u002Fwww.cs.cmu.edu\u002F~tom\u002Ffiles\u002FMachineLearningTomMitchell.pdf) 汤姆·米切尔著\n* :orange_book: [\"使用R进行机器学习和深度学习的超参数调优：实用指南\"](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-981-19-5170-1.pdf) 编者：伊娃·巴尔茨、托马斯·巴尔茨-拜尔斯坦、马丁·泽费勒和奥拉夫·默斯曼\n* :orange_book: [\"数据科学基础\"](https:\u002F\u002Fwww.cs.cornell.edu\u002Fjeh\u002Fbook.pdf) 阿夫里姆·布鲁姆、约翰·霍普克罗夫特和拉文德拉·坎南著\n* :orange_book: [\"机器学习系统：工程人工智能系统的原理与实践\"](https:\u002F\u002Fwww.mlsysbook.ai\u002Fassets\u002Fdownloads\u002FMachine-Learning-Systems.pdf) 维杰·贾纳帕·雷迪著\n* :orange_book: [\"简明机器学习\"](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~jrs\u002Fpapers\u002Fmachlearn.pdf) 乔纳森·理查德·舍丘克著\n* :orange_book: [\"数据科学与机器学习：数学与统计方法\"](https:\u002F\u002Fpeople.smp.uq.edu.au\u002FDirkKroese\u002FDSML\u002FDSML.pdf) 迪尔克·P·克罗塞、兹德拉夫科·I·博特夫、托马斯·泰姆雷和拉季斯拉夫·瓦伊斯曼著\n* :orange_book: [\"概率人工智能\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.05244) 安德烈亚斯·克劳斯和乔纳斯·休博特著\n* :orange_book: [\"工程师用机器学习简明介绍\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1709.02840.pdf) 奥斯瓦尔多·西梅奥内著\n* :orange_book: [\"机器学习：基础知识\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1805.05052) 亚历山大·荣格著\n* :orange_book: [\"面向物理学家的高偏差、低方差机器学习入门\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1803.08823) 潘卡杰·梅塔、马林·布科夫、王清浩、亚历山大·G·R·戴、克林特·理查德森、查尔斯·K·费舍尔和戴维·J·施瓦布著\n* :orange_book: [\"机器学习中的模型评估、模型选择与算法选择\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12808.pdf) 塞巴斯蒂安·拉斯奇著\n* :orange_book: [\"超参数优化：算法与应用综述\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.05689.pdf) 佟宇和洪珠著\n* :orange_book: [\"如何避免机器学习陷阱：学术研究人员指南\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2108.02497.pdf) 迈克尔·A·洛恩斯著\n* :orange_book: [\"在线学习：全面综述\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.02871.pdf) 史蒂文·C·H·霍伊、多延·萨胡、陆静和赵佩琳著\n* :orange_book: [\"机器学习导论\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.02668) 劳伦特·尤内斯著\n* :earth_africa: [\"面向科学的监督式机器学习\"](https:\u002F\u002Fml-science-book.com\u002F) 克里斯托夫·莫尔纳尔和蒂莫·弗赖斯莱本著\n* :earth_africa: [\"Python数据科学手册\"](https:\u002F\u002Fjakevdp.github.io\u002FPythonDataScienceHandbook\u002F) 杰克·范德普拉斯著\n* :earth_africa: [\"数据分析指南\"](https:\u002F\u002Fbookdown.org\u002Fmike\u002Fdata_analysis\u002F) 迈克·阮著\n* :earth_africa: [\"面向表格数据的应用机器学习\"](https:\u002F\u002Faml4td.org\u002F) 马克斯·库恩和凯尔·约翰逊著\n* :earth_africa: [\"Python中的应用机器学习：附带代码的实践指南\"](https:\u002F\u002Fgeostatsguy.github.io\u002FMachineLearningDemos_Book\u002Fintro.html) 迈克尔·J·皮尔茨著\n* :earth_africa: [\"学习数据科学\"](https:\u002F\u002Flearningds.org\u002F) 萨姆·劳、乔伊·冈萨雷斯和黛布·诺兰著\n* :earth_africa: [\"真实数据科学：负责任的数据分析与决策实践\"](https:\u002F\u002Fvdsbook.com\u002F) 毕玉和丽贝卡·L·巴特尔著\n\n---\n\n\n### [R](https:\u002F\u002Fwww.r-project.org\u002F) 相关\n* :earth_africa: 奥斯卡·巴鲁法著《R 大书》(Big Book of R)\n* :earth_africa: 加雷特·格罗勒蒙德著《R 编程实战》(Hands-On Programming with R)\n* :earth_africa: 布拉德利·博姆克和布兰登·格林韦尔著《R 机器学习实战》(Hands-On Machine Learning with R)\n* :earth_africa: 莎娜·雷斯·贝内特著《R 数据科学中的线性代数》(Linear Algebra for Data Science with examples in R)\n* :orange_book: 马雷克·加戈莱夫斯基著《深度 R 编程》(Deep R Programming)\n* :earth_africa: 科林·吉莱斯皮和罗宾·洛弗莱斯著《高效 R 编程》(Efficient R programming)\n* :earth_africa: 哈德利·威克汉姆、米妮·切廷卡亚-伦德尔和加雷特·格罗勒蒙德著《R 数据科学》(R for Data Science)\n* :earth_africa: 哈德利·威克汉姆著《高级 R》(Advanced R)\n* :earth_africa: 尼尔·巴特拉主编《流行病学家 R 手册》(The Epidemiologist R Handbook)\n* :earth_africa: 康斯坦丁诺斯·I·布吉乌卡斯著《R 在医学中的实用统计》(Practical Statistics in Medicine with R)\n* :earth_africa: 朱莉娅·西尔格和戴维·罗宾逊著《R 整洁文本挖掘》(Text Mining with R: A Tidy Approach)\n* :earth_africa: 保拉·莫拉加著《数据科学空间统计：理论与实践（R 版）》(Spatial Statistics for Data Science: Theory and Practice with R)\n* :earth_africa: 温斯顿·张著《R 绘图手册》(R Graphics Cookbook)\n* :earth_africa: 伊吉特·艾德德著《社会科学家与政策分析师工具箱：应用机器学习与 R 的预测分析》(Toolbox for Social Scientists and Policy Analysts: Applied Predictive Analytics with Machine Learning and R)\n* :earth_africa: 杰玛·费尔南德斯-阿维莱斯·卡尔德龙和何塞-玛丽亚·蒙特罗著《R 数据科学基础》(Fundamentos de ciencia de datos con R)\n* :earth_africa: 罗伯特·卡巴科夫著《现代 R 数据可视化》(Modern Data Visualization with R)\n* :earth_africa: 克里斯托夫·汉克、马丁·阿诺德、亚历山大·格尔伯和马丁·施梅尔策著《R 计量经济学导论》(Introduction to Econometrics with R)\n* :orange_book: 帕特里克·伯恩斯著《R 地狱》(The R Inferno)\n\n---\n### 特征工程\n* :earth_africa: 马克斯·库恩和凯尔·约翰逊著《特征工程与选择：预测模型的实用方法》(Feature Engineering and Selection: A Practical Approach for Predictive Models)\n* :earth_africa: 埃米尔·赫维特费尔特著《特征工程 A-Z》(Feature Engineering A-Z)\n\n---\n### 可解释性\u002F可理解性\n* :orange_book: 库什·R·瓦尔什尼著《可信机器学习》(Trustworthy Machine Learning)\n* :orange_book: 巴林特·穆恰尼、迈克尔·基尔霍夫、埃丽莎·阮、亚历山大·鲁宾斯坦和吴成俊著《可信机器学习：理论、应用与直觉》(Trustworthy Machine Learning: Theory, Applications, Intuitions)\n* :orange_book: 谢伟哲等著《可解释人工智能全面指南：从经典模型到大型语言模型》(A Comprehensive Guide to Explainable AI: From Classical Models to LLMs)\n* :orange_book: 韦策尔、哈、伊滕、克洛波泰克和刘著《物理学中的可解释机器学习：综述》(Interpretable Machine Learning in Physics: A Review)\n* :earth_africa: 克里斯托夫·莫尔纳尔著《可解释机器学习：让黑盒模型可解释的指南》(Interpretable Machine Learning: A Guide for Making Black Box Models Explainable)\n* :earth_africa: 普热米斯瓦夫·别采克和托马什·布尔齐科夫斯基著《解释性模型分析》(Explanatory Model Analysis)\n\n---\n### 深度学习 \u002F 神经网络\n* :orange_book: 朱利叶斯·伯纳、菲利普·格罗斯、吉塔·库蒂尼奥克和菲利普·彼得森著《现代深度学习数学》(The Modern Mathematics of Deep Learning)\n* :orange_book: 巴特·M.N. 斯梅茨著《神经网络数学》(Mathematics of Neural Networks)\n* :orange_book: 丹尼尔·A·罗伯茨、肖·亚达和鲍里斯·哈宁著《深度学习理论原理》(The Principles of Deep Learning Theory)\n* :orange_book: 伯恩哈德·梅利格著《基于神经网络的机器学习》(Machine learning with neural networks)\n* :orange_book: 阿斯顿·张、扎卡里·C·利普顿、穆·李和亚历山大·J·斯莫拉著《深入深度学习》(Dive into Deep Learning)\n* :orange_book: 姚马和唐继良著《图上的深度学习》(Deep Learning on Graphs)\n* :orange_book: 尼尔斯·图雷、菲利普·霍尔、马克西米利安·穆勒、帕特里克·施奈尔、费利克斯·特罗斯和基翁·乌姆著《基于物理的深度学习》(Physics-based Deep Learning)\n* :orange_book: 西蒙·J.D. 普林斯著《理解深度学习》(Understanding Deep Learning)\n* :orange_book: 弗朗索瓦·弗勒雷著《深度学习小书》(The Little Book of Deep Learning)\n* :orange_book: 阿努尔夫·延岑、本诺·库库克和菲利普·冯·武斯特恩贝格著《深度学习数学入门：方法、实现与理论》(Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory)\n* :orange_book: 菲利普·彼得森和雅各布·泽赫著《深度学习数学理论》(Mathematical theory of deep learning)\n* :orange_book: 桑杰夫·阿罗拉等人著《深度学习理论》(Theory of Deep Learning)\n* :orange_book: 胡安·特尔文、黛安娜·M·科尔多瓦-埃斯帕萨、阿方索·拉米雷斯-佩德拉萨、埃德加·A·查韦斯-乌尔比奥拉和胡里奥·A·罗梅罗-冈萨雷斯著《深度学习中的损失函数与评估指标》(Loss Functions and Metrics in Deep Learning)\n* :orange_book: 奇塔·兰詹著《理解深度学习》(Understanding Deep Learning)\n* :earth_africa: 克里斯托弗·M·毕晓普和休·毕晓普著《深度学习：基础与概念》(Deep Learning: Foundations and Concepts)\n* :earth_africa: 杰里米·霍华德和西尔万·古格著《使用 fastai 和 PyTorch 的编码者深度学习：无需博士学位的 AI 应用》(Deep Learning for Coders with fastai and PyTorch: AI Applications Without a PhD)\n* :earth_africa: 弗朗索瓦·肖莱和马修·沃森著《Python 深度学习（第三版）》(Deep Learning with Python, Third Edition)\n\n### 强化学习\n* :orange_book: [《强化学习：导论》](http:\u002F\u002Fwww.incompleteideas.net\u002Fbook\u002FRLbook2020.pdf) 作者：理查德·S·萨顿、安德鲁·G·巴托\n* :orange_book: [《多智能体强化学习》](https:\u002F\u002Fwww.marl-book.com\u002Fdownload) 作者：斯特法诺·V·阿尔布雷希特、菲利波斯·克里斯蒂亚诺斯、卢卡斯·舍费尔\n* :orange_book: [《分布强化学习》](https:\u002F\u002Fdirect.mit.edu\u002Fbooks\u002Fbook-pdf\u002F2111075\u002Fbook_9780262374026.pdf) 作者：马克·G·贝勒马尔、威尔·达布尼、马克·罗兰\n* :orange_book: [《强化学习的数学基础》](https:\u002F\u002Fraw.githubusercontent.com\u002FMathFoundationRL\u002FBook-Mathematical-Foundation-of-Reinforcement-Learning\u002Frefs\u002Fheads\u002Fmain\u002FBook-all-in-one.pdf) 作者：赵世宇\n* :orange_book: [《强化学习：基础》](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QApF7NFEciyD3C8V5ugYcnxkg6BPutqw\u002Fview) 作者：希耶·曼诺尔、伊沙伊·曼苏尔、阿维夫·塔马尔\n* :orange_book: [《强化学习概述》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2412.05265) 作者：凯文·墨菲\n* :orange_book: [《深度强化学习导论》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12560) 作者：文森特·弗朗索瓦-拉韦、彼得·亨德森、里亚沙特·伊斯兰、马克·G·贝勒马尔、乔埃尔·皮诺\n* :orange_book: [《强化学习的数学》](https:\u002F\u002Fwww.wim.uni-mannheim.de\u002Fmedia\u002FLehrstuehle\u002Fwim\u002Fdoering\u002FRL\u002FRL_VORLESUNG.pdf) 作者：莱夫·多林\n\n---\n### 推荐系统\n* :orange_book: [《推荐系统》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1202.1112.pdf) 作者：吕琳媛、马图斯·梅多、叶永志、张一成、张子科、周涛\n* :orange_book: [《推荐系统：入门》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2302.02579) 作者：巴勃罗·卡斯特尔斯、迪特马尔·扬纳赫\n\n---\n### 异常检测\n* :earth_africa: [《太奇怪了！使用R进行异常检测》](https:\u002F\u002Fotexts.com\u002Fweird\u002F) 作者：罗布·J·海因德曼\n\n---\n### 计算机视觉\n* :orange_book: [《计算机视觉：模型、学习与推理》](https:\u002F\u002Fraw.githubusercontent.com\u002Fudlbook\u002Fcvbook\u002Fmain\u002Fbook.pdf) 作者：西蒙·J·D·普林斯\n* :orange_book: [《计算机视觉：算法与应用》（第1版）](https:\u002F\u002Fszeliski.org\u002FBook\u002Fdrafts\u002FSzeliskiBook_20100903_draft.pdf) 作者：理查德·塞利斯基\n* :earth_africa: [《计算机视觉基础》](https:\u002F\u002Fvisionbook.mit.edu\u002F) 作者：安东尼奥·托拉尔巴、菲利普·伊索拉、威廉·弗里曼\n\n---\n### 自然语言处理（NLP）和大型语言模型（LLM）\n* :orange_book: [《语音与语言处理：自然语言处理、计算语言学与语音识别导论》](https:\u002F\u002Fweb.stanford.edu\u002F~jurafsky\u002Fslp3\u002Fed3book_Jan25.pdf) 作者：丹·朱拉夫斯基、詹姆斯·H·马丁\n* :orange_book: [《大型语言模型》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.05782.pdf) 作者：迈克尔·R·道格拉斯\n* :orange_book: [《面向自然语言处理的图神经网络：综述》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.06090.pdf) 作者：吴凌飞、陈宇、沈凯、郭晓杰、高汉宁、李书诚、裴健、龙博\n* :orange_book: [《语言建模的形式化方面》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2311.04329.pdf) 作者：瑞安·科特雷尔、阿内伊·斯韦特、克拉拉·迈斯特、刘天宇、杜莉\n* :orange_book: [《自然语言处理的基础模型》](https:\u002F\u002Flink.springer.com\u002Fcontent\u002Fpdf\u002F10.1007\u002F978-3-031-23190-2.pdf) 作者：格哈德·帕斯、斯文·吉塞尔巴赫\n* :orange_book: [《什么是嵌入》](https:\u002F\u002Fraw.githubusercontent.com\u002Fveekaybee\u002Fwhat_are_embeddings\u002Fmain\u002Fembeddings.pdf) 作者：维姬·博伊基斯\n* :orange_book: [《大型语言模型综述》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.18223.pdf) 作者：韦恩·辛·赵等\n* :orange_book: [《大型语言模型：综述》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2402.06196) 作者：谢尔文·米纳伊等\n* :orange_book: [《大型语言模型综合概述》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.06435) 作者：胡姆扎·纳维德等\n* :orange_book: [《关于大型语言模型的综述及其能力与局限性的见解》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.04040) 作者：安德烈亚·马塔拉佐、里卡多·托尔洛内\n* :orange_book: [《大型语言模型的基础》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.09223) 作者：肖彤、朱景波\n* :earth_africa: [《用R进行文本挖掘：整洁的方法》](https:\u002F\u002Fwww.tidytextmining.com\u002F) 作者：朱莉娅·西尔格、大卫·罗宾逊\n* :earth_africa: [《用Python进行自然语言处理——使用自然语言工具包分析文本》](https:\u002F\u002Fwww.nltk.org\u002Fbook\u002F) 作者：史蒂文·伯德、伊万·克莱因、爱德华·洛珀\n\n---\n### 因果推断\n* :orange_book: [《因果机器学习：综述与开放问题》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2206.15475.pdf) 作者：让·卡杜尔、埃昂格斯·林奇、刘琪、马特·J·库斯纳、里卡多·席尔瓦\n* :orange_book: [《因果推断与机器学习的最新进展》](https:\u002F\u002Fwww.annualreviews.org\u002Fdoi\u002Fpdf\u002F10.1146\u002Fannurev-soc-030420-015345) 作者：珍妮·E·布兰德、周翔、谢宇\n* :orange_book: [《因果推断入门课程》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2305.18793.pdf) 作者：丁鹏\n* :orange_book: [《因果因子投资》](https:\u002F\u002Fwww.cambridge.org\u002Fcore\u002Fservices\u002Faop-cambridge-core\u002Fcontent\u002Fview\u002F9AFE270D7099B787B8FD4F4CBADE0C6E\u002F9781009397292AR.pdf\u002Fcausal-factor-investing.pdf) 作者：马科斯·M·洛佩斯·德·普拉多\n* :orange_book: [《时间序列因果发现方法的调查与评估》](https:\u002F\u002Fwww.jair.org\u002Findex.php\u002Fjair\u002Farticle\u002Fview\u002F13428\u002F26917) 作者：查尔斯·K·阿萨德、艾米莉·德维日韦、埃里克·戈西耶\n* :orange_book: [《由ML和AI驱动的应用因果推断》](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2403.02467v1.pdf) 作者：维克托·切尔诺祖科夫、克里斯蒂安·汉森、内森·卡卢斯、马丁·施平德勒、瓦西里斯·西尔加尼斯\n* :orange_book: [《因果推断：统计学习方法》](https:\u002F\u002Fweb.stanford.edu\u002F~swager\u002Fcausal_inf_book.pdf) 作者：斯特凡·韦格尔\n* :orange_book: [《概率与因果：条件效应与平均总效应》](https:\u002F\u002Fcausal-effects.de\u002Fget.php?f=1032) 作者：罗尔夫·施泰耶\n* :orange_book: [《如果……会怎样》](https:\u002F\u002Fmiguelhernan.org\u002Fs\u002Fhernanrobins_WhatIf_27may25.pdf) 作者：米格尔·A·埃尔南、詹姆斯·M·罗宾斯\n* :orange_book: [《因果人工智能》](https:\u002F\u002Fcausalai-book.net\u002Fbook.html) 作者：埃利亚斯·巴雷因博伊姆\n* :earth_africa: [《应用因果推断》](https:\u002F\u002Fappliedcausalinference.github.io\u002Faci_book\u002F) 作者：乌代·卡马特、肯尼思·格雷厄姆、米切尔·奈勒\n* :earth_africa: [《勇敢者与真诚者的因果推断》](https:\u002F\u002Fmatheusfacure.github.io\u002Fpython-causality-handbook\u002Flanding-page.html) 作者：马修斯·法库雷·阿尔维斯\n* :earth_africa: [《如何使用marginaleffects解读R和Python中的统计模型》](https:\u002F\u002Fmarginaleffects.com\u002F) 作者：文森特·阿雷尔-邦多克、诺亚·格赖弗、安德鲁·海斯\n\n---\n\n### 保形预测\n* :orange_book: 格伦·谢弗和弗拉基米尔·沃夫克所著的《保形预测教程》（[arxiv.org\u002Fpdf\u002F0706.3188.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F0706.3188.pdf)）\n* :orange_book: 马泰奥·丰塔纳、詹卢卡·泽尼和西蒙内·万蒂尼所著的《保形预测：理论统一回顾与新挑战》（[arxiv.org\u002Fpdf\u002F2005.07972.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2005.07972.pdf)）\n* :orange_book: 安纳斯塔西奥斯·N·安杰洛普洛斯和史蒂芬·贝茨所著的《保形预测与无分布不确定性量化入门》（[arxiv.org\u002Fpdf\u002F2107.07511.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2107.07511.pdf)）\n* :orange_book: 安纳斯塔西奥斯·N·安杰洛普洛斯、丽娜·福伊格尔·巴伯和史蒂芬·贝茨所著的《保形预测的理论基础》（[arxiv.org\u002Fpdf\u002F2411.11824](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2411.11824)）\n* :orange_book: 拉斐尔·伊兹比基所著的《机器学习超越点预测：不确定性量化》（[rafaelizbicki.com\u002FUQ4ML.pdf](https:\u002F\u002Frafaelizbicki.com\u002FUQ4ML.pdf)）\n\n---\n### 时间序列：预测\n* :earth_africa: 罗布·J·欣德曼和乔治·阿塔纳索普洛斯所著的《预测：原理与实践》（[otexts.com\u002Ffpp3\u002F](https:\u002F\u002Fotexts.com\u002Ffpp3\u002F)）\n* :earth_africa: 罗布·J·欣德曼、乔治·阿塔纳索普洛斯、阿祖尔·加尔萨、克里斯蒂安·查卢、马克斯·梅尔根塔勒和金·G·奥利瓦雷斯合著的《预测：原理与实践——Python式方法》（[otexts.com\u002Ffpppy\u002F](https:\u002F\u002Fotexts.com\u002Ffpppy\u002F)）\n* :orange_book: 弗提奥斯·佩特罗普洛斯等人所著的《预测：理论与实践》（[arxiv.org\u002Fpdf\u002F2012.03854.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.03854.pdf)）\n* :earth_africa: 《预测：理论与实践》（在线版）（[forecasting-encyclopedia.com](https:\u002F\u002Fforecasting-encyclopedia.com\u002F)），编者：弗提奥斯·佩特罗普洛斯、颜飞·康和冯莉\n* :orange_book: 汉西卡·赫瓦马拉吉亚、克劳斯·阿克曼和克里斯托夫·贝格迈尔所著的《数据科学家的预测评估：常见误区与最佳实践》（[arxiv.org\u002Fpdf\u002F2203.10716.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2203.10716.pdf)）\n* :orange_book: 亚历山大·奥伊所著的《时间序列分析》（[batch.libretexts.org\u002Fprint\u002FLetter\u002FFinished\u002Fstats-826\u002FFull.pdf](https:\u002F\u002Fbatch.libretexts.org\u002Fprint\u002FLetter\u002FFinished\u002Fstats-826\u002FFull.pdf)）\n* :orange_book: 约翰·H·科克伦所著的《宏观经济学与金融的时间序列》（[static1.squarespace.com\u002Fstatic\u002F5e6033a4ea02d801f37e15bb\u002Ft\u002F5ed92dcb7665261af1aa23f2\u002F1591291342389\u002Ftime_series_book.pdf](https:\u002F\u002Fstatic1.squarespace.com\u002Fstatic\u002F5e6033a4ea02d801f37e15bb\u002Ft\u002F5ed92dcb7665261af1aa23f2\u002F1591291342389\u002Ftime_series_book.pdf)）\n* :earth_africa: 斯特凡·科拉萨、巴赫曼·罗斯塔米-塔巴尔和恩诺·齐姆森合著的《面向高管与专业人士的需求预测》（[dfep.netlify.app](https:\u002F\u002Fdfep.netlify.app\u002F)）","# Compendium-of-free-ML-reading-resources 快速上手指南\n\n本资源库并非软件工具，而是一个精心整理的**免费机器学习阅读资源清单**。它汇集了 193 本由作者或出版商免费开放的电子书（PDF 格式）和在线书籍（HTML 格式），涵盖从数据清洗、数学基础到深度学习、大语言模型等全方位主题。\n\n开发者无需安装任何环境，只需通过浏览器访问链接或直接下载 PDF 即可开始学习。\n\n## 环境准备\n\n*   **系统要求**：无特定限制，支持 Windows、macOS、Linux 等所有主流操作系统。\n*   **前置依赖**：\n    *   现代网页浏览器（推荐 Chrome, Edge, Firefox）用于阅读在线书籍。\n    *   PDF 阅读器（如 Adobe Acrobat, SumatraPDF 或浏览器内置阅读器）用于阅读离线文档。\n    *   （可选）稳定的网络连接，部分资源托管于 GitHub、arXiv 或个人主页，国内访问速度可能波动。\n\n## 获取与使用步骤\n\n由于本项目是资源索引，不存在传统的“安装”过程。以下是高效使用本资源库的步骤：\n\n### 1. 访问资源列表\n直接访问该项目的 GitHub 仓库页面或 README 文件，查看完整的目录结构（ToC）。\n\n### 2. 按需选择资源\n根据你当前的学习阶段或需求，在以下分类中查找对应书籍：\n*   **入门基础**：查看 `EDA, visualization, and data cleaning` 或 `Mathematics for ML`。\n*   **核心算法**：重点阅读 `Machine Learning` (包含经典的 ESL 和 ISLP) 或 `Deep learning \u002F neural networks`。\n*   **进阶专题**：参考 `Reinforcement learning`, `NLP and LLM`, `Causal inference` 等章节。\n\n> **提示**：\n> *   🟠 `:orange_book:` 代表 PDF 文件，点击链接可直接下载或在线阅读。\n> *   🌍 `:earth_africa:` 代表 HTML 在线书籍，适合交互式阅读。\n\n### 3. 下载与保存（示例）\n以机器学习领域的“圣经”之一 *The Elements of Statistical Learning* 为例：\n\n1.  在 **Machine learning** 章节找到该书条目。\n2.  点击下载链接：\n    ```text\n    https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002Fprintings\u002FESLII_print12_toc.pdf.download.html\n    ```\n3.  将文件保存至本地知识库目录，例如：\n    ```bash\n    # Linux\u002FmacOS 示例：使用 wget 下载\n    wget -O ESL_2nd_Edition.pdf \"https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002Fprintings\u002FESLII_print12_toc.pdf.download.html\"\n    \n    # Windows PowerShell 示例\n    Invoke-WebRequest -Uri \"https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002Fprintings\u002FESLII_print12_toc.pdf.download.html\" -OutFile \"ESL_2nd_Edition.pdf\"\n    ```\n\n### 4. 国内访问加速建议\n部分国外托管资源（如 Google Drive, Dropbox, 或部分大学服务器）在国内访问可能较慢或受限。建议采取以下方案：\n*   **使用镜像站**：若链接指向 arXiv 论文，可尝试将域名替换为国内镜像（如 `arxiv.org` 替换为 `arxiv.cn` 或使用中科大镜像）。\n*   **代理工具**：配置系统级或浏览器代理以加速加载。\n*   **社区搬运**：在知乎、CSDN 或国内技术论坛搜索书名，常有热心开发者上传的百度网盘或阿里云盘备份。\n\n## 基本使用场景\n\n**场景：快速查阅线性代数基础**\n\n1.  打开资源列表，定位到 **Mathematics for ML** 章节。\n2.  选择适合初学者的 *Linear Algebra Done Right* 或侧重应用的 *Introduction to Applied Linear Algebra*。\n3.  点击对应的 🟠 PDF 链接。\n4.  利用 PDF 阅读器的搜索功能（Ctrl+F \u002F Cmd+F），直接检索关键词（如 \"Eigenvalue\", \"SVD\"）进行针对性学习。\n\n**场景：构建个人 ML 学习路径**\n\n1.  浏览 **ToC** 目录，按照从 `Statistics` -> `Optimization` -> `Machine Learning` -> `Deep Learning` 的顺序。\n2.  依次下载每个类别下的顶置推荐书籍（通常为该领域最经典且免费的版本）。\n3.  建立本地文件夹结构进行分类管理，开始系统化自学。","一位刚转行进入算法团队的初级数据科学家，正试图从零构建一个金融风控预测模型，却因理论基础薄弱而陷入学习瓶颈。\n\n### 没有 Compendium-of-free-ML-reading-resources 时\n- **资源筛选成本极高**：在海量网络教程中盲目搜索“线性代数”或“特征工程”，难以辨别资料质量，常花费数天阅读过时或不严谨的内容。\n- **知识体系支离破碎**：东拼西凑的学习路径导致数学推导（如矩阵微积分）与代码实现（如 Python 数据清洗）脱节，无法理解模型背后的核心逻辑。\n- **经济门槛阻碍深入**：遇到《Python for Data Analysis》等经典著作时，常因付费墙或高昂书费而止步，只能依赖零散的二手笔记。\n- **专项领域无从下手**：面对“因果推断”或“可解释性”等进阶需求时，找不到系统性的免费权威指南，导致模型上线后无法通过业务评审。\n\n### 使用 Compendium-of-free-ML-reading-resources 后\n- **一站式获取权威教材**：直接定位到 Wes McKinney 的《Python for Data Analysis》和 Marc Peter Deisenroth 的《Mathematics for Machine Learning》等 193 本免费正版书籍，瞬间建立高标准知识库。\n- **构建结构化学习路径**：依托清晰的目录分类（从 EDA 到深度学习），按图索骥补齐数学短板，将理论公式与代码实践无缝对接。\n- **零成本突破专业壁垒**：免费下载包括统计学、优化理论及 NLP 大模型在内的全套 PDF 或在线书籍，无需预算即可掌握行业顶尖知识。\n- **精准解决业务痛点**：针对风控场景特有的“异常检测”和“因果推断”需求，快速查阅专项章节，迅速产出符合合规要求的高可解释性模型。\n\nCompendium-of-free-ML-reading-resources 将原本需要数月摸索的自学过程压缩为几周的系统化攻坚，让开发者以零成本获得媲美顶尖实验室的知识储备。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCarl-McBride-Ellis_Compendium-of-free-ML-reading-resources_02ba1216.png","Carl-McBride-Ellis","Carl McBride Ellis","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCarl-McBride-Ellis_9730a0ab.png","Applied computational statistics: predictive modeling of tabular data | Independent contractor"," Independent contractor","Madrid (Spain)",null,"https:\u002F\u002Fcarl-mcbride-ellis.github.io\u002F","https:\u002F\u002Fgithub.com\u002FCarl-McBride-Ellis",508,121,"2026-04-08T16:44:25",1,"","未说明",{"notes":88,"python":86,"dependencies":89},"该工具并非可执行的软件或代码库，而是一个免费机器学习阅读资源（书籍、论文）的清单合集。资源格式主要为 PDF 文件和在线 HTML 书籍，涵盖数据清洗、数学基础、统计学、深度学习等多个领域。用户无需安装任何运行环境、GPU 或 Python 依赖库，只需使用网页浏览器或 PDF 阅读器即可访问所列资源。",[],[14],[92,93,94,95,96,97,98,99,100],"artificial-intelligence","classification","linear-regression","machine-learning","statistics","neural-networks","random-forest","regression","svm","2026-03-27T02:49:30.150509","2026-04-10T04:36:29.975303",[],[]]