读完以上两本书，可以再读一些经典著作。第一本经典著作是 Tom Mitchell 的《Machine Learning》，中译本名为《机器学习》。这本书写于 1997 年，虽然难以涵盖机器学习的最新进展，但对基础理论和核心算法的讨论还是精辟的，毕竟经典理论经得起时间的考验。这本书的重点也是广度，没有涉及很多复杂的数学推导，是一本理想的入门书。作者曾在主页上表示，这本书将出新版本，并增加了一些章节，或许在未来两年内，我们就能期待新版本的面世。
另一本经典书籍是 Trevor Hastie 等人撰写的 Elements of Statistical Learning，2016 年出版了第二版。这本书没有中文翻译版，只有影印本。专家写的书不会用大量复杂的数学公式吓唬人（专门讲算法推导的书除外），这本书也不例外。它更强调各种学习方法的内涵和外延。相比于具体的推导，从方法的起源和发展来理解其应用场景和发展方向或许更为重要。
最后一本登上舞台的书是 Christopher Bishop 的《模式识别与机器学习》。这本书出版于 2007 年，至今没有中文译本。或许是因为翻译这样一本气势磅礴的书需要无数个深夜。这本书的特点是将机器学习视为一个整体，无论是基于频率的方法还是贝叶斯方法，无论是回归模型还是分类模型，都只是问题的不同方面。作者可以开拓出一个上帝视角，将各种机器学习纳入一张巨网。可惜的是，大多数读者跟不上他的高深思维（包括我自己）。
最后推荐的一本书是 David JC MacKay 的 Information Theory, Inference and Learning Algorithms，出版于 2003 年，中译本名为《信息论、推理与学习算法》。这本书的作者是一位多才多艺的科学家。这本书并不是一本机器学习的专著，而是将多个相关学科合二为一，内容相当广泛。相比于那些正面写着一张脸的教科书，阅读这本书感觉就像在和作者聊天，他会在谈话中抛出各种问题让你思考。话题的广泛性让这本书的阅读体验并不轻松，但可以作为一种拓展视野的方式。
数学
1.线性代数
我推荐两本国外教材，一本是 Gilbert Strang 的《Introduction to Linear Algebra》，英文版于 2016 年出版了第五版，目前还没有中文译本。这本书通过直观生动的概念讲解，阐述了抽象的基本概念，并辅以大量线性代数在各个领域的实际应用，非常具有学习友好度。作者在 MIT 的 OCW 上开设了相应的视频课程，还配备了练习答案、模拟测试题等一系列电子资源。
第二本是David C Lay的《Linear Algebra and its Applications》。英文版在2015年也出版了第五版。中文译本叫做《线性代数及其应用》，对应原书第四版。这本书通过向量和线性方程的基本概念，深入浅出地介绍了线性代数的基本概念，重点讲解了公式背后的代数和几何意义。还附有大量的应用例子，对理解基本概念很有帮助。
2.概率论
基础阅读可以选择Sheldon M Ross的A First Course in Probability。英文版2013年出版了第九版（第十版将于2018年出版），中文译本名为《概率论基础教程》，对应原书第九版，也有英文影印本。本书从中心极限定理的角度讨论概率问题，抛开测量不谈。概念的讲解比较通俗。书中还包含大量与生活密切相关的应用例题和练习。
进一步阅读可以选择 Roger Casella 的《Statistical Inference》。由于作者于 2012 年去世，2001 年的第二版已成为最后一版。中文译本名为《Statistical Inference》，也有影印本。这本书包含一些概率论内容，循序渐进地介绍了统计推断、参数估计、方差回归等统计学中的基本问题。
4. 优化理论
可以参考 Stephen Boyd 的 Convex Optimization，这本书虽然比较厚，但读起来还不错，侧重于实际应用，而不是理论证明，很多机器学习中广泛使用的方法都可以在这里找到。
5.信息论
我推荐《Elements of Information Theory》，Thomas Cover 和 Jay A Thomas 合著，第二版出版于2006年，中文译名为《信息论基础》。这本书博大精深，虽然不是大部头，但充满了实用信息，讲解了信息论中各个基本概念的物理内涵，但需要一定的数学基础才能读得通。另外，这本书侧重讲解了信息论在通信中的应用。
