人工智能继续占据着媒体头条，而科学家和工程师迅速扩展了其功能和应用。随着该领域的爆炸性增长，需要学习很多东西。深入阅读这10本必须阅读的免费书籍，以支持您的AI学习和工作。
https://artint.info/2e/html/ArtInt2e.html
关于这本书：这本书通过使用一个一致的框架介绍AI来研究智能计算代理的设计，这本书展示了基本方法是如何适合多维设计空间的，因此您可以学习基础知识，而又不会错过更大的视野。
作者简介： David L. Poole是不列颠哥伦比亚大学的计算机科学教授，也是三本人工智能书籍的合著者。他是人工智能不确定性协会的前任主席，加拿大AI协会(CAIAC)2013终身成就奖的获得者，以及人工智能进步协会(AAAI)和CAIAC的院士。
艾伦·麦克沃思(Alan K. Mackworth)是不列颠哥伦比亚大学的计算机科学教授，他撰写了130多篇论文，并合着了两本书。他的奖项包括人工智能杂志(AIJ)经典论文奖和约束规划协会(ACP)卓越研究奖，他还曾担任国际人工智能联合大会(IJCAI)主席，人工智能(AAAI)和加拿大AI协会(CAIAC)。他是AAAI，CAIAC和加拿大皇家学会的会员。
1(b). Python code for Artificial Intelligence: Foundations of Computational Agents
David L.Poole和Alan K.Mackworth(2019年9月，223页)。
这是上述Pool和Mackworth著作的支持书，其中包含可重复使用的Python代码页面以及其他讨论和描述。
下载：https://artint.info/AIPython/aipython.pdf
获取支持资源：https://artint.info/AIPython/
2. Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning
安德鲁·伍(Andrew Ng)(2018，118页)。
下载最新的草稿：https://www.deeplearning.ai/machine-learning-yearning/
关于本书：虽然KDnuggets之前曾在2017年4月 的推荐读物清单中介绍过此书，但值得一提的是AI重点，因为它会不断更新。当前草稿是从2018年开始的，因此请务必查看其最新更新。
人工智能正在改变众多行业，这本书教您如何构建机器学习项目。该书不专注于学习ML算法，而是着眼于如何使ML算法发挥作用。阅读本书之后，您将能够为AI项目确定最有前途的方向，诊断机器学习系统中的错误，在复杂的设置(例如不匹配的训练和测试集)中构建ML，并设置一个ML项目进行比较或超越人类水平的表现，并且知道何时以及如何应用端到端学习，迁移学习和多任务学习。
关于作者：吴安德(Andrew Ng)是Google Brain的共同创始人和领导者，曾任百度副总裁兼首席科学家。2011年，他领导了斯坦福大学主要的MOOC(大规模开放式在线课程)平台的开发，并为超过100,000名学生提供了在线机器学习课程，他成为Coursera的共同主席和联合创始人，同时也是斯坦福大学兼职教授。
3. Deep Learning 深度学习
Ian Goodfellow，Yoshua Bengio和Aaron Courville(2016年11月，800页)。
在线访问：http://ai.stanford.edu/~nilsson/QAI/qai.pdf
关于本书：本书追溯了AI的历史，从18世纪(更早)的先驱梦想到如今的AI工程师更加成功的工作。随着AI越来越成为每个人生活的一部分，该技术已经嵌入到面部识别摄像头，语音识别软件，互联网搜索引擎和医疗保健机器人中。本书中的许多AI程序图和易于理解的描述使您了解了这些程序和其他AI系统的工作方式。本章末尾的注释对AI学者和研究人员非常有用，其中包含对有价值的原始资料的引用，并且该书有望成为该领域的权威性历史，这个领域吸引了数百年来科学家，哲学家和作家的想象力。
关于作者：加州斯坦福大学计算机科学系的Kumagai工程学教授(Emeritus)Nils J. Nilsson获得了博士学位。1958年获得斯坦福大学电气工程学士学位。他在SRI International人工智能中心工作了23年，致力于统计和神经网络方法来进行模式识别，并共同发明了A *启发式搜索算法和STRIPS自动计划系统，指导集成移动机器人SHAKEY的工作，并合作开发PROSPECTOR专家系统。他出版了五本有关人工智能的教科书，教授了有关人工智能和机器学习的课程，并研究了对动态世界做出反应，计划行动方案并从经验中学习的柔性机器人。尼尔森教授曾在《人工智能》杂志和《人工智能研究杂志》的编辑委员会任职，并且是《计算机协会》杂志的区域编辑。他是美国人工智能协会的前主席兼院士，美国科学发展协会的院士，并获得了IEEE神经网络先锋奖，IJCAI研究卓越奖和AAAI杰出服务奖。奖。
5. Reinforcement Learning: An Introduction, 2nd edition 强化学习第二版
Richard S. Sutton和Andrew G. Barto(2018年11月，548页)。
下载：
关于本书：这是一本广泛使用的关于强化学习的文章，这是人工智能领域最活跃的研究领域之一，这本书清晰，简单地介绍了该领域的关键思想和算法。重点关注核心在线学习算法，包括UCB，Expected Sarsa和Double Learning，然后将这些思想扩展到功能近似，涵盖人工神经网络和傅立叶基础上的主题。第二版包括有关强化学习与心理学和神经科学的关系的新章节，以及有关AlphaGo和AlphaGo Zero，Atari游戏以及IBM Watson的投注策略的最新案例研究。 作者简介：理查德·萨顿(Richard S. Sutton)是埃德蒙顿DeepMind的杰出研究科学家，也是阿尔伯塔大学计算机科学系的教授。他之前曾在AT&T和GTE Labs的工业界以及马萨诸塞大学的学术界工作。他获得了博士学位。萨顿教授于1984年获得麻省大学计算机科学博士学位，并于1978年获得斯坦福大学心理学学士学位。萨顿教授还是加拿大皇家学会，艾伯塔省机器智能研究所人工智能发展协会的会员，和CIFAR。 安德鲁·巴托(Andrew Barto)是马萨诸塞大学阿默斯特分校计算机科学名誉教授，他于2007年至2011年担任美国麻省大学计算机系系主任。他于1970年获得密歇根大学数学专业的理学学士学位，他的博士 1975年获得密歇根大学计算机科学博士学位。退休前，他是UMass Amherst自治学习实验室的联合主任，目前是马萨诸塞州大学神经科学与行为计划的准会员，神经计算的副编辑，《华尔街日报》顾问委员会成员。机器学习研究，自适应行为编辑委员会成员。Barto教授是美国科学促进协会的会员，IEEE的会员和高级会员，并且是神经科学学会的会员。他获得了2004年IEEE神经网络协会先锋奖和IJCAI-17研究卓越奖。 6、The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition (corrected) 统计学习的要素：数据挖掘，推理和预测， 第二版(已更正) Trevor Hastie，Robert Tibshirani和Jerome Friedman(2017年1月，764页)。 下载：https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf 获取支持资源：https://web.stanford.edu/~hastie/ElemStatLearn/ 关于这本书：2017年 KDnuggets的另一个新功能，这是该书的较新版本，仍然是AI研究和学习的核心基础。该书在一个通用的概念框架中描述了各个领域的重要思想，例如医学，生物学，金融和市场营销。尽管该方法是统计方法，但重点是概念而不是数学，并且是统计学家和对科学或工业中的数据挖掘感兴趣的任何人的宝贵资源。本书涵盖的范围很广，从监督学习(预测)到无监督学习，其主题包括神经网络，支持向量机，分类树，boost，图形模型，随机森林，集成方法，最小角度回归和路径算法。套索，非负矩阵分解和频谱聚类。 作者简介： Trevor Hastie，Robert Tibshirani和Jerome Friedman是斯坦福大学的统计学教授。他们是该领域的杰出研究者，Hastie和Tibshirani已开发了广义加性模型。Hastie用S-PLUS编写了许多统计建模软件，并发明了主要曲线和曲面。蒂布希拉尼(Tibshirani)提出了套索(Lasso)的建议，并与他人合着了成功的《引导概论》。弗里德曼(Friedman)是许多数据挖掘工具(包括CART，MARS和投影追踪)的共同发明者。 7. A Brief Introduction to Neural Networks《神经网络简介》 David Kriesel，手稿(2007年，244页)