人工智慧：

《Artificial Intelligence: A Modern Approach》，第三版，Russell著，權威、經典的人工智慧教材，闡述了人工智慧的核心內容，反映了人工智慧最近10年來的新進展。

《ProgrammingCollective Intelligence》，Toby Segaran著，本書將帶你進入機器學習和統計學的世界，對演算法的描述簡明清晰，很對程式碼都可以直接拿去實際應用。

資料探勘：

《DataMining, Concepts and Techniques》，第三版，Han著，資料探勘領域最具里程碑意義的經典著作。

《DataMining: Practical Machine Learning Tools and Techniques》,第二版，Witten著，介紹了機器學習的基本理論和實踐方法，並提供了一個公開的資料探勘工作平臺Weka，演算法部分介紹得很詳細。

資訊檢索：

《An Introductionto Information Retrieval》,Manning著，這是一本介紹資訊檢索的入門書籍，書中對資訊檢索的基本概念和基本演算法做了介紹，適合初學者。

《Search Engines Information Retrieval in Practice》,Croft著，這本書講述了搜尋引擎的構造方法，通過實際程式碼展示了搜尋引擎的工作原理，對於學生和從事相關領域的工程師，本書都值得一看。

《Managing Gigabytes》，《Mining the Web -Discovering Knowledge from Hypertext Data》

《Information Theory：Inference and Learning Algorithms》。

模式識別和機器學習：

《Pattern Classification 》，第二版，Duda著，模式識別的奠基之作，但對SVM、Boosting幾乎沒提，有掛一漏萬之嫌。

《Pattern Recognition and Machine Learning》,Bishop著，側重概率模型，詳細介紹了Bayesian方法、有向圖、無向圖理論等，體系完備。

《Kernel Methods for Pattern Analysis》,John Shawe-Taylor著，SVM等統計學的諸多工具裡都用到了核方法，可以將將低維非線性空間對映到高維的線性空間中，但同時會引入高維資料的難題。

計算機視覺：

《Computer Vision: A Modern Approach》，第二版，Forsyth著，一本不錯的計算機視覺教材，全書理論聯絡實際，並加入了計算機視覺領域的最新研究成果。

《Computer Vision: Algorithms and Applications》,Richard Szeliski的大作，《數字影象處理》課程老師推薦的一本書籍，這本書我還沒有看完，書中對計算機視覺領域最新的一些演算法進行了彙編，包括影象分割，特徵檢測和匹配，運動檢測，影象縫合，3D重建，物件識別等影象處理的諸多方面，藉助本書我們可以對最新主流影象處理演算法有個全域性把握。

線性代數：

《Linear Algebra and Its Applications》Fourth Edition, Gilbert Strang的著作，本書詳細介紹了向量空間、線性變換、本徵值和本徵向量等線性代數的重要基本概念，把抽象的線性空間形象地表達出來，適合初學者。

《Introduction to Probability Models》第10版，Ross著，一本書能夠發行到第十版，你說是不是很經典呢？

離散數學：

《Discrete Mathematics and Its Applications》，第六版，Rosen著，本書囊括了離散數學推導、組合分析、演算法及其應用、計算理論等多方面的內容，適合初學者。

矩陣數學：

《Matrix Analysis》,Horn著,本書無疑是矩陣論領域的經典著作了，風行幾十年了。

概率論與數理統計：

《All Of Statistics》,Wasserman著，一本數理統計的簡介讀本。

《Introductionto Mathematical Statistics》，第六版，Hogg著，本書介紹了概率統計的基本概念以及各種分佈，以及ML，Bayesian方法等內容。

《Statistical Learning Theory》Vapnik的大作，統計學界的權威，本書將理論上升到了哲學層面，他的另一本書《The Nature ofStatistical Learning Theory》也是統計學習研究不可多得的好書，但是這兩本書都比較深入，適合有一定基礎的讀者。

《統計學習方法》，李航著，國內很多大學都在用這本書，本書從具體問題入手，由淺入深，簡明地介紹了統計學習的主要方法，適合初學者而又想對統計學習理論有一個全域性理解的學生。

《The Elements of Statistical Learning-Data Mining, Inference, and Prediction》,第二版，Trevor Hastie著，機器學習方面非常優秀的一本書，較PC和PRML,此書更加深入，對工程人員的價值也許更大一點。

《AnIntroduction to Probabilistic Graphical Models》,Jordan著，本書介紹了條件獨立、分解、混合、條件混合等圖模型中的基本概念，對隱變數（潛在變數）也做了詳細介紹，相信大家在隱馬爾科夫鏈和用Gaussian混合模型來實現EM演算法時遇到過這個概念。

《Probabilistic Graphical Models-Principles and Techniques》，Koller著，一本很厚很全面的書，理論性很強，可以作為參考書使用。

最優化方法：

《Convex Optimization》，Boyd的經典書籍，被引用次數超過14000次，面向實際應用，並且有配套程式碼，是一本不可多得的好書，網址http://www.stanford.edu/~boyd/cvxbook/。

《Numerical Optimization》，第二版，Nocedal著，非常適合非數值專業的學生和工程師參考，演算法流程清晰詳細，原理清楚。

另外推薦幾個部落格和網站：

https://www.coursera.org/，這是一個由世界頂級大學聯合創辦的網上線上視訊公開課網站，裡面有stanford, MIT,CMU等電腦科學一流大學提供的免費教學視訊，內容全面，電腦科學方面的資源較網易視訊公開課網站（http://open.163.com/）內容要新、要全。

http://blog.csdn.net/pongba/article/details/2915005，本文的部分內容就是借鑑劉未鵬大神的部落格而來的，也正是看過他的那個書單後，我才決定寫一個總結歸納性的文章，這樣可以方便大家學習，更可以勉勵自己多看些有益的經典書籍。

http://blog.pluskid.org/，這是浙大學生張馳原的部落格網站，現在他去了MIT，部落格裡面的很多資源都值得一看，博文的很大一部分都是關於機器學習的，加入了作者自己的理解，深入淺出。