自我教育可能是成年人最困难的途径和过程之一。周围有如此多的干扰，很难让自己继续前进（尤其是在动机不明确的情况下）。但是，自我教育作为一种进化，是任何专业人士或想成为一体的任何人生活中不可或缺的一部分。在这种情况下，书籍可以变成同一枪杀同一只石头的两只鸟，你们俩都成长为专家并且不会“丧命”。该材料的作者选择了7本免费电子书来帮助您学习数据科学和ML。
1.深度学习
伊恩·古德费洛（Ian Goodfellow），约书亚（Joshua Bengio）和亚伦·库维尔（Aaron Courville）。
深度学习于2016年首次发布。它是致力于深度学习的第一本书之一。这本书是由当时处于发展前沿的杰出研究人员团队编写的。在神经网络领域的这项工作仍然具有影响力和受到尊重。呈现的工作是有关深度学习的理论论文，从基本概念到现代概念，例如复杂的生成网络以及机器学习在商业及其他领域的应用。本书是对科学领域的详细基于数学的解释。如果您想获得该领域最高级元素的广泛基础知识，这本书适合您。
2.深入学习
阿斯顿张，扎克K.立顿，李武，亚历克斯J.树脂
潜水进入深度学习是一个互动的深度学习书代码，数学和评论。它显示了NumPy，MXNet，PyTorch和TensorFlow中的实现。作者是使用Amazon MXNet库教深度学习的Amazon员工。该书会定期更新，因此请确保您阅读了最新版本。
Zachary Lipton在书中：
Dive into Deep Learning (D2K) ? , . ( ) ( , , ). : , , , . , . , .
3. Machine Learning Yearning
作者：安德鲁·恩（Andrew Eun）。
本书由斯坦福大学教授，在线教育的先驱Andrew Ng撰写。安德鲁（Andrew）是Coursera和deeplearning.ai的创始人之一。
机器学习渴望可以教您如何使机器学习算法起作用，而不是使算法本身起作用。它确定了AI项目最有希望的领域。这本书是帮助您解决诸如诊断机器学习系统中的错误之类的实际问题的瑰宝。她将教您如何应用端到端学习，转移学习，多任务学习等等。
4.可解释的机器学习
作者：克里斯托夫·莫纳（Christoph Molnar）。
从技术上讲这本书不是免费的。它是按需付费的方式出售的。
可解释性机器学习专注于表格数据（也称为关系数据或结构化数据）的机器学习模型，而较少强调计算机视觉和自然语言处理任务。本书推荐给机器学习专家，数据科学家，统计学家以及对解释机器学习模型感兴趣的任何人。它详细介绍了如何在项目中选择和应用最佳的机器学习解释技术。
5.黑客的贝叶斯方法
卡梅隆·戴维森（Cameron Davidson）发表。
黑客的贝叶斯方法本书着重于数据科学的一个重要领域，即贝叶斯推理。贝叶斯黑客方法旨在从理解开始，然后是计算和数学的基础上介绍贝叶斯推理。本书面向的对象是那些没有扎实的数学背景但可以实践贝叶斯方法的爱好者。对于这样的人，这段文字应该足够有趣。本书还是学习PyMC（一种概率Python编程语言）的重要资源。
6. Python数据科学手册
杰克·范德普拉斯（Jake Vanderplace）发表。
Python数据科学手册面向年轻的数据科学家。它向您展示了如何使用最重要的工具，包括IPython，NumPy，Pandas，Matplotlib，Scikit-Learn等。本书非常适合解决日常任务，例如清理，处理和转换数据以及构建机器学习模型。
7.统计学习导论
由Gareth James，Daniela Witten，Trevor Hasti和Robert Tibshirani撰写。
统计学习简介是统计学习方法的简介。本书面向非数学科学的高年级学生，硕士和研究生。它包含R中的许多实验室，并详细说明了如何在现实环境中实现各种方法。此文本对于数据从业者而言应该是宝贵的资源。
您可以通过在线SkillFactory课程从头开始获得所需的职业或技能和薪资水平的提升：
- 从零开始对数据科学专业的培训（12个月）
- 数据科学在线训练营（14周）
- 机器学习课程（12周）
- « Machine Learning Data Science» (20 )
- «Machine Learning Pro + Deep Learning» (20 )
E
- - Data Analytics (5 )
- (18 )
- (6 )
- DevOps (12 )
- - (8 )
- «Python -» (9 )
- iOS- (12 )
- Android- (18 )
- Java- (18 )
- JavaScript (12 )
- UX- (9 )
- Web- (7 )
