参考资料与推荐阅读¶
本书是一本TensorFlow技术手册，并不包含太多关于机器学习/深度学习的理论知识。然而一本好的机器学习入门资料仍然对TensorFlow技术的理解至关重要。对于希望入门机器学习/深度学习原理的读者，笔者给出（具有个人主观色彩和局限的）以下阅读建议。
如果你是一名在校大学生，具有较好的数学基础，可以从以下教材入手，作为学习机器学习的起点：
李航. 统计学习方法 . 清华大学出版社, 2012. （有课件可在 清华大学出版社网站 下载，点击“资源下载”-“网络资源”即可。有书中算法的 GitHub开源代码实现 ）
周志华. 机器学习 . 清华大学出版社, 2016. （有辅助在线资料 南瓜书 ，后续进阶版《机器学习理论导引》 ）
邱锡鹏. 神经网络与深度学习 . 机械工业出版社, 2020.（有在线版本可阅读）
如果你希望更具实践性的内容，推荐以下书籍：
Aurélien Géron. 机器学习实战：基于Scikit-Learn和TensorFlow . 机械工业出版社, 2018.
郑泽宇, 梁博文, and 顾思宇. TensorFlow：实战Google深度学习框架（第2版） . 电子工业出版社, 2018.
阿斯顿·张（Aston Zhang）, 李沐（Mu Li）, 扎卡里·C. 立顿 等. 动手学深度学习 . 人民邮电出版社, 2019. （有在线版本可阅读）
如果你对大学的知识已经生疏，或者还是高中生，推荐首先阅读以下教材：
汤晓鸥, and 陈玉琨. 人工智能基础（高中版） . 华东师范大学出版社, 2018.
对于贝叶斯的视角，推荐以下入门书籍：
皮隆, 辛愿, 钟黎, and 欧阳婷. 贝叶斯方法: 概率编程与贝叶斯推断 . 人民邮电出版社, 2017.
如果你喜欢相对生动的视频讲解，可以参考以下公开课程：
台湾大学李宏毅教授的《机器学习》课程 （ 讲义点此 ，中文，讲解生动且更新及时）
谷歌的《机器学习速成课程》 （内容已全部汉化，注重实践）
Andrew Ng的《机器学习》课程 （英文含字幕，经典课程，较偏理论，网络上可搜索到很多课程笔记）
相对的，一本不够适合的教材则可能会毁掉初学者的热情。对于缺乏基础的初学者，不 推荐以下书籍：
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 深度学习 . 人民邮电出版社, 2017.
又名“花书”（源于封面），英文版 在线开放阅读 ，中译见 exacity/deeplearningbook-chinese 。这是一本深度学习领域的全面专著，但更像是一本工具书。
Bishop, Christopher M. Pattern Recognition and Machine Learning . Information Science and Statistics. New York: Springer, 2006.
又名“PRML”（书名首字母缩写），目前已开放 免费下载 。以贝叶斯的视角为主，同时其难度可能很不适于缺乏数学基础的入门者。
重要
不推荐以上书籍，并不是说这些作品不够优秀！ 事实上，正是因为这些书籍太优秀，影响力太大，才以至于不得不拿出来特意提醒一下，这些书可能并不适合于绝大多数初学者。就像应该很少有学校用《计算机程序设计艺术》（TAOCP）作为计算机的入门教材一样。对于已经入门或者有志于深层次研究的学者，当可从这些书籍中受益匪浅。