2012年读的一些书 算法设计模式数据挖掘机器学习书籍
程序员文章站
2023-12-26 18:47:57
...
今年看了比较多的书，主要上班比较远，1个多小时，大部分都是在坐地铁看的。
程序员系列
1、《程序员修炼之道 : 从小工到专家 》：
主要介绍了软件设计的一些原则，避免的问题，一个项目如何做好。
一些高效的工具。
2、《卓有成效的程序员》：
主要介绍怎么样才能称为高效的程序员，介绍一些工具、语言
打造一个高效的开发环境，提高开发效率。
3、《黑客与画家》
这本书比较杂，开始一些章节和程序员没有太大关系，后面介绍了一些
程序员品味类的东西：什么样的语言才是梦寐以求的，主要lisp，ruby
之类的。
程序语言相关
1、《深入Java虚拟机》：介绍了整个虚拟机的结构、字节码结构、GC以及一些调优。
2、《Java Performance》：也介绍了虚拟机、字节码相关的，主要以实战调优GC为主。
3、python的一些书籍：主要看了一些基础的和深入的书，和Ruby对比的学习了一下。
统计机器学习相关：
1、《统计学习方法》：
干货很多，介绍的比较容易理解，有例子一步一步计算的过程。更丰富的例子偏少。
2、《The Elements of Statistical Learning》：
虽然是Element，但是介绍广而深，看起来比较突兀，需要反复看，找相关论文看。
前一半看了几遍才理解，后面比较粗略的看着，还需要回头再读读。
3、《Pattern Recognition And Machine Learning》
主要从贝叶斯的观点介绍了机器学习，读起来相对上面那边，还是容易了很多。
例子比较丰富，介绍的方式也循序渐进。
4、《All of Statistics》：
没学过纯统计的书，上学学了随机数学，主要以古典概率为主。这本书比较经典，言简意赅的介绍了统计方法。
5、《Learning with Kernels : Support Vector Machines, Regularization, Optimization, and Beyon》
这本书对kernal和支持向量机介绍的比较多，当时想深入学习SVM。还有很多优化算法的介绍。
6、《Machine Learning: An Algorithmic Perspective : An Algorithmic Perspective》
这本书介绍的浅显易懂，还有python代码的实现，能够对算法在实现方面有比较好的理解，我看的电子缺页版的，看的不全。
7、《Machine Learning : A Probabilistic Perspective》
看了开头的一部分，书太厚，介绍很广，有很多比较新的内容，但是介绍的不够精彩。
自然语言处理部分：
《Speech and Language Processing》：
内容深入浅出，logistic regression和HMM讲的非常好，语音相关的部分没有看。
《Foundations of Statistical Natural Language Processing》
从语言学本身介绍了很多知识，相对粗略的介绍一些算法在自然语言方面的各种应用。
大数据、推荐相关：
《大数据 : 互联网大规模数据挖掘与分布式处理》：
以前读过英文版的几章，在博客上也写过笔记，后来参加多媒体讨论会，王斌老师送了一本看了一遍，对map reduce，hash算法在大规模数据的一些应用，推荐系统和简单的介绍了计算广告学的内容，讲的很好。
《推荐系统实践》：项亮同学的书，比较贴近工业实战，对推荐的各种算法和场景进行了比较好的介绍。
《Hadoop in Action》：In Action系列的书不用说，跟着例子做就ok了。
搜素相关：
《Lucene in Action, Second Edition》：同样In Action的书籍，除了Lucence一些基本的接口使用，对Lucence一些优化和高级的特性都有所涉及。
数据库相关：
《高性能MySQL》：从字段、schema，到sql的优化介绍，mysql一些高级特性。
架构设计方面：
《Pattern-Oriented Software Architecture》1,2,3,4
介绍的非常精彩，对GoF的设计模式是一个很好的补充，对进一步掌握软件设计技巧有很大帮助。还介绍了并发、分布式方面的设计模式以及Pattern语言进行了细致精彩的介绍。
参加了一些公开课：
《Machine learning》: stanford Andrew Ng讲的通俗易懂，非常精彩，值得大力推荐，note也做的灰常好。
《Unsupervised Feature Learning and Deep Learning》stanford Andrew Ng，前面的内容和上面的类似，刚讲到神经网络的部分，后面真正进入主题的内容还没有开讲。
《机器学习龙星计划》：余凯和张潼老师讲授，讲的比较全面，最近一些新的内容也有介绍。
MLA：各位大神和工业界的大牛介绍了机器学习的进展。
《Natural Language Processing》 by Michael Collins:讲的深入浅出，note也做的灰常好，非常不错。
程序员系列
1、《程序员修炼之道 : 从小工到专家 》：
主要介绍了软件设计的一些原则，避免的问题，一个项目如何做好。
一些高效的工具。
2、《卓有成效的程序员》：
主要介绍怎么样才能称为高效的程序员，介绍一些工具、语言
打造一个高效的开发环境，提高开发效率。
3、《黑客与画家》
这本书比较杂，开始一些章节和程序员没有太大关系，后面介绍了一些
程序员品味类的东西：什么样的语言才是梦寐以求的，主要lisp，ruby
之类的。
程序语言相关
1、《深入Java虚拟机》：介绍了整个虚拟机的结构、字节码结构、GC以及一些调优。
2、《Java Performance》：也介绍了虚拟机、字节码相关的，主要以实战调优GC为主。
3、python的一些书籍：主要看了一些基础的和深入的书，和Ruby对比的学习了一下。
统计机器学习相关：
1、《统计学习方法》：
干货很多，介绍的比较容易理解，有例子一步一步计算的过程。更丰富的例子偏少。
2、《The Elements of Statistical Learning》：
虽然是Element，但是介绍广而深，看起来比较突兀，需要反复看，找相关论文看。
前一半看了几遍才理解，后面比较粗略的看着，还需要回头再读读。
3、《Pattern Recognition And Machine Learning》
主要从贝叶斯的观点介绍了机器学习，读起来相对上面那边，还是容易了很多。
例子比较丰富，介绍的方式也循序渐进。
4、《All of Statistics》：
没学过纯统计的书，上学学了随机数学，主要以古典概率为主。这本书比较经典，言简意赅的介绍了统计方法。
5、《Learning with Kernels : Support Vector Machines, Regularization, Optimization, and Beyon》
这本书对kernal和支持向量机介绍的比较多，当时想深入学习SVM。还有很多优化算法的介绍。
6、《Machine Learning: An Algorithmic Perspective : An Algorithmic Perspective》
这本书介绍的浅显易懂，还有python代码的实现，能够对算法在实现方面有比较好的理解，我看的电子缺页版的，看的不全。
7、《Machine Learning : A Probabilistic Perspective》
看了开头的一部分，书太厚，介绍很广，有很多比较新的内容，但是介绍的不够精彩。
自然语言处理部分：
《Speech and Language Processing》：
内容深入浅出，logistic regression和HMM讲的非常好，语音相关的部分没有看。
《Foundations of Statistical Natural Language Processing》
从语言学本身介绍了很多知识，相对粗略的介绍一些算法在自然语言方面的各种应用。
大数据、推荐相关：
《大数据 : 互联网大规模数据挖掘与分布式处理》：
以前读过英文版的几章，在博客上也写过笔记，后来参加多媒体讨论会，王斌老师送了一本看了一遍，对map reduce，hash算法在大规模数据的一些应用，推荐系统和简单的介绍了计算广告学的内容，讲的很好。
《推荐系统实践》：项亮同学的书，比较贴近工业实战，对推荐的各种算法和场景进行了比较好的介绍。
《Hadoop in Action》：In Action系列的书不用说，跟着例子做就ok了。
搜素相关：
《Lucene in Action, Second Edition》：同样In Action的书籍，除了Lucence一些基本的接口使用，对Lucence一些优化和高级的特性都有所涉及。
数据库相关：
《高性能MySQL》：从字段、schema，到sql的优化介绍，mysql一些高级特性。
架构设计方面：
《Pattern-Oriented Software Architecture》1,2,3,4
介绍的非常精彩，对GoF的设计模式是一个很好的补充，对进一步掌握软件设计技巧有很大帮助。还介绍了并发、分布式方面的设计模式以及Pattern语言进行了细致精彩的介绍。
参加了一些公开课：
《Machine learning》: stanford Andrew Ng讲的通俗易懂，非常精彩，值得大力推荐，note也做的灰常好。
《Unsupervised Feature Learning and Deep Learning》stanford Andrew Ng，前面的内容和上面的类似，刚讲到神经网络的部分，后面真正进入主题的内容还没有开讲。
《机器学习龙星计划》：余凯和张潼老师讲授，讲的比较全面，最近一些新的内容也有介绍。
MLA：各位大神和工业界的大牛介绍了机器学习的进展。
《Natural Language Processing》 by Michael Collins:讲的深入浅出，note也做的灰常好，非常不错。