为什么“蜥蜴书”是机器学习入门必读书？
导读：懂行人都知道，这本“蜥蜴书”江湖地位有多高。这本书曾经点燃了无数人学习AI的热情！很多大佬都把这本书列为AI工程师的必读书。我们一起看看这本书该怎么读。
作者：木羊同学
来源：华章计算机（hzbook_jsj）
现在机器学习很热，大家都想学习机器学习，可是看哪本书呢？时间宝贵，肯定得选经典的“必读书”。所以，现在网上到处都是“机器学习必读书单”。我看过很多个版本的书单，总感觉差点意思。怎么说呢，我见到的大部分书单，里面的书确实都挺好，也都是业内公认的经典，确实值得一读。不过，现在有一个大家都很爱争论的话题：给初学者推荐经典到底是好还是不好？
就拿机器学习来说吧，机器学习是无论在理论、技术还是应用方面都是“大型跨界话题”，大家都叫“机器学习”，但在同一面旗帜下，每一个方向对知识都有不同的侧重，有时甚至可能差异很大。这就可能导致一个问题：某一个方向的经典书籍，可能在另一个方向看来就有点跑偏，让人产生“只见树木不森林”的感觉。
对于初学者来说，另一个问题可能更为严重。我们看书，肯定都想着由浅入深、由易到难，循序渐进地学习下去——先夯实脚下基础，再考虑飞天绝技。但是呢，很多水平很高的作者都很难免俗，多少有点偶像包袱，总想把书写出水平来。这当然是好事，不过这就导致了一个结果，有相当部分的书，单从书的内容本身来，说确实是好书，思想水平很高，确实“经典必读”。但很多时候，为了内容显得不那么拖沓，这些书的作者都作了一个假设——假设读者对机器学习已经有了基本的了解，最好还有相当的实践经验。所以，作者把一些基础内容，尤其是初学者最为关注的“入门必踩坑”给省略过去了。作为读者，如果你不了解其中省略部分的内容，自然就会读得磕磕碰碰，有一种上下文衔接不上的突兀感。这就是为什么很多人并不建议初学者上来就读经典，认为这些站得太高的经典反而容易给初学者留下“不很友好”的感觉。
实战入门典范：蜥蜴书——《机器学习实战》
那么，有没有从初学者角度写作的经典教材呢？有的。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow：原书第2版》（以下简称“蜥蜴书”），是机器学习领域非常有名的一本书。由于书的封面画着一只蜥蜴目的动物，所以有人按照动物书的习俗，把它称为“蜥蜴书”。当然了，生物学上的蜥蜴目家大业大，样子也都长得差不多，你管这只动物叫壁虎或者守宫，我想应该也没什么问题，我自己就更喜欢把这本书称为“壁虎书”。
这本书成名很早，很有名，有名到了什么地步呢？记得有段时期，我找了五六个版本的“机器学习必读书单”来看，每个书单里都有“蜥蜴书”，真的是“卷卷有爷名”。所以，大家给了它一个相当有意思的称号—— “机器学习四大名著”之一。
为什么这本书这么经典，让大家纷纷推荐呢？
说实话，这是个很难回答的问题。觉得“蜥蜴书”是好书的人很多。不过，一千个人眼里就有一千个哈姆雷特，我想大家应该都有自己喜爱这本书的理由。就我的个人观感来说，答案就写在书名上。
《机器学习实战》是中译版的书名，原版书名为《Hands-On Machine Learning with Scikit-Learn,Keras&TensorFlow》，“Hands-On”不妨直接翻译为“上手”，这是一个比较特别的视角，也是我觉得这本书特别适合初学者阅读的一个地方。机器学习的书大致可以分为两类，一类偏重理论介绍，翻开都是各种数学公式、定理和证明，机器学习如果给你一种很难学也很难用的感觉，应该就是因为先看了这些书。另一类则偏重应用工具的介绍，机器学习最终是需要编程才能发挥作用的，也有许多成熟的开发框架，而这类书就是介绍这些框架的使用方法，虽然也爱自称“实战”，不过翻开往往都是API、说明文档和代码，让你又觉得机器学习好像也没什么特别，像是一种新的编程技术。
“蜥蜴书”属于哪种呢？也许你会觉得属于第二种，其实还是有很大区别。很多人都说，这本书好就好在结构清晰、解释清楚，更重要的是，真的能见微知著。这么说可能有点抽象，关键就在于书名的“上手”。它不会让你觉得是一本编程技术的使用手册，而是首先告诉你机器学习能解决什么问题，怎样解决这些问题，以及使用什么样的工具来解决，让你能够搞清楚，机器学习到底是一项怎样的工作。
“蜥蜴书”写了很多内容，我曾经请教一位前辈，这本书哪一章最有用？前辈沉思许久，说了一个让我意外的答案：附录B。附录B的标题是《机器学习项目清单》，主要内容可以用开篇的第一段话概括：“该清单可以指导你完成机器学习项目。主要有8个步骤”。前辈解释说，很多人喜欢将机器学习当作一种噱头，说“看啊！我的产品用了机器学习所以功能怎样怎样……”。可是，当你真的要迈出使用机器学习的第一步时，你就会发现，你最想知道的不是那些天书一般的公式，也不是各种机器学习框架的使用细节，而是一个看似很简单的问题——我该干什么？而“我该干什么”，正是“蜥蜴书”首先要告诉你，让你第一时间就搞明白的东西。
知道了该干什么，才能真正“上手”。这就是我认为“蜥蜴书”最大的特点。所以，它能被列入“四大名著”，是因为它非常适合入门阅读，是一本真正意义上的必读书。
“蜥蜴书”讲什么？
别急，在介绍书之前，先来说说机器学习。大家都知道，现在很热门的人工智能叫“深度学习”，那这个深度学习和这里的机器学习是一种什么关系呢？是包含关系，机器学习包含了深度学习。
光看名字，新手很容易认为机器学习是一种技术，或者说是一种智能算法。其实，机器学习是一堆智能算法，或者按照更常用的术语，是一堆的模型，譬如线性模型、支持向量机模型和决策树模型等等。每种模型都有自己的一套理论体系，其中有一种模型称为“神经网络”模型。“神经网络”不是一种新模型，提出来很早，发展很曲折，已经经历了几起几落。在2006年，著名的Hinton教授发表了一篇论文，说采用层数更多，也就是更深的神经网络，模型就能取得更好的效果。大家一看，果然效果拨群，所以就把这种技术成为“深度学习”。也就是说，深度学习虽然是这几年火起来的，但绝非凭空而生，它的前身就是机器学习下面的神经网络模型。
不过，都知道深度学习是机器学习的小弟，可是架不住“小弟”成了当红炸子鸡，已经有几分“说到AI就是机器学习，说到机器学习就是深度学习”的味道。很多想学机器学习的同学，其实真正想学的只是深度学习的这部分。而我们前面也介绍了，机器学习本身就是一堆自成体系的模型大杂烩，专门盯着深度学习来学也未为不可。
所以，这就导致教材需要面临艰难选择，到底是将所有模型一视同仁，都用差不多的篇幅介绍，写一本货真价实的“机器学习”教材？还是认清现状，干脆就把那些过气的老哥们统统扔掉，写一本“深度学习”教材？市面上也确实有分别以“机器学习”和“深度学习”命名的教程，也体现了各自的选择。不过，从工作的角度，或者说，从解决问题的角度来看，机器学习也好，深度学习也好，根本的作用还是解决问题发挥作用，都是工具，而且机器学习领域有著名的NFL定理，未必深度学习就一定是更好一点的工具。
那么看重工作实践的“蜥蜴书”会怎样选择呢？小孩子才做选择，成年人当然是全都要！这本书的做法是将全书分成两个部分，第一部分介绍机器学习，第二部分介绍神经网络和深度学习。
这个做法还带来了另外的好处。虽然从理论上，深度学习是机器学习下面的子分支，而且最常用的编程语言都是Python，但在实际工作中，开发所使用的的技术框架并不是同一个。目前机器学习开发最常用的是Scikit-Learn，已经成为开发机器学习应用无可争议的带头大哥，基本上业界提到机器学习开发十有八九都会选择用它。而深度学习开发当前则是两套框架双雄对峙，其中一款是Google率先推出来的Tensorflow，另一款则是由Facebook稍后发布的Pytorch。
这几套框架的使用方法并不相同，不过，现在“蜥蜴书”选择将全书一分为二。这样一来，在机器学习部分，就同时重点介绍Scikit-Learn，而到了深度学习部分，则选择了重点介绍Tensorflow，并附上对应的案例。这样划分，不但与理论部分前后呼应，而且更贴近当前业界的实际工作情况。
“蜥蜴书”阅读攻略
阅读这本书，不妨根据自己的喜好需要，采用总-分的顺序阅读。
第一部分是机器学习的内容，不过，第一、二章是对机器学习领域的整个工作的总体介绍，如模型是怎样一回事？怎样使用？以及使用模型之前要做什么等等。在这个部分，机器学习和深度学习任务的大体模式是一致的。无论你对哪方面更感兴趣，都建议阅读前两章，让自己对机器学习和深度学习任务有一个总体印象。
接下来就可以根据爱好选择优先阅读的部分了。对机器学习感兴趣的同学可以顺序阅读，书主要是按机器学习的问题类别组织的，为有监督学习下的分类问题、回归问题，和无监督学习下的聚类问题，以及降维问题。
Scikit-Learn是一款十分好用的机器学习工具，原因就在于工具丰富，有多种手段处理机器学习问题。有监督学习是现在机器学习最为热门的研究和应用领域，所以在模型方面，“蜥蜴书”着重介绍有监督学习最常用的线性模型、支持向量机模型、决策树模型，也介绍了机器学习的“制胜法宝”——集成学习。
有一个地方也建议大家格外留意：就是这本书书如其名，极其注重“实战”，始终从工作流程的角度进行介绍。在机器学习任务中，模型当然是唱重头戏的主角，但并非唯一的角色，还有一些周边任务，而实际工作中如何完成这些工作，譬如如何使用Scikit-Learn构造端到端的流水线，都是十分具有实践参考价值的内容。
对于更关心深度学习的同学，再了解了机器学习任务的总体情况之后，可以直接翻到这本书的第二部分。这部分介绍深度学习，而且可以说是当前市面上最好的深度学习介绍材料之一。当年Google率先推出深度学习框架TensorFlow，本来深度学习就是新东西，而TensorFlow配套的官方文档又写得一言难尽，于是大家一筹莫展。这时“蜥蜴书”第一版出版了，大家一看，原来介绍TensorFlow也是可以“讲人话”的嘛！很快，“蜥蜴书”就成了学习TensorFlow的标准教材，一时名声大噪。
可是，问题也随之来了，而且颇为棘手，让“蜥蜴书”一下陷入鸡肋的尴尬境地。
怎么回事呢？这就得从TensorFlow说起。深度学习框架需要计算图，计算图分静态图和动态图两种，前者效率高，后者人缘好。最开始TensorFlow追求效率，选择了静态图，导致API的设计各种别扭，这就是为什么前面说刚开始TensorFlow不太好学。可那时没有别的选择，大家都敢怒不敢言，后来，采用动态图的Pytorch出来了，有了对比就有了伤害，本来就民怨沸腾的TensorFlow立即就被分了一大块市场。Google一看，心里也有点慌了，于是干了两件事：
第一件事就是赶紧吸收了Keras。Keras也是一款深度学习框架，封装了许多底层操作，操作相当友好，官方称为高级深度学习API。但Keras只有一个前端，需要其它深度学习框架作为后端，才能实现完整功能。于是，Keras+TensorFlow理所当然就成了TensorFlow阵营的标准配置，TensorFlow选择将Keras吸收进来而且力推的做法虽然引起不少异议，不过，两家合作一家，也算是众望所归了。
另一件事就是支持动态图，这是意料中的事，大家嘴上说着“早干嘛去了”，心里的怨气也确实平息不少。后来Google干脆推出TensorFlow 2.0，直接就将动态图设为默认模式。
客观地说，Google对TensorFlow所做出的这两项改变可以说是必然的，也是必要的，不过，这显然也带来了另一个让所有程序员头疼的问题：兼容问题。这一改，相当于改出了三个版本的TensorFlow。而“蜥蜴书”第一版也深受其害，书虽然写得好，但因为采用的还是TensorFlow 1.0的API，很多内容和代码都不合时宜了。
这就很尴尬了。虽然后来说到机器学习必读书，大家还会是推荐“蜥蜴书”，因为这本书对机器学习的介绍实在好，有一点无出其右的意思，但同时也不忘略感遗憾地提醒一句，第二部分的内容有一点过时了。
不过，好事来了。“蜥蜴书”2019年在国外先出版了第二版，全书变化很大，特别是第二部分采用TensorFlow 2.0和Keras重写。当时大家光是看到出版计划，就翘首以盼。新版一经推出，马上好评如潮。
当然，对于国内的读者来说，心情就比较复杂了，毕竟“蜥蜴书”虽然更新了第二版，但是中文还只有第一版。我记得就在今年早些时候，我在推荐第一版的时候，就提出过中文版也能尽快跟进的希望。不过，现在好事成双了，“蜥蜴书”第二版的中文版已由华章出版，机器学习领域再次出现了一本不留死角的必读书。
作者简介
莫凡，娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。
推荐阅读
01
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》
长按识别购买
作者：[法] 奥雷利安•杰龙（Aurélien Géron）
译者：宋能辉、李娴
书号：978-7-111-66597-7
卖点：
1）“美亚”人工智能图书畅销榜首图书，基于TensorFlow 2和新版Scikit-Learn全面升级；
2）Keras之父和TensorFlow移动端负责人鼎力推荐；
3）从实践出发，通过具体的示例、较少的理论和可用于生产环境的Python框架来帮助你直观地理解并掌握构建智能系统所需要的概念和工具；
4）实用性强。没有太多复杂的数学公式推导，每章都附有练习题和代码，可以帮助你应用所学的知识。内容简介
推荐语：国外AI“四大名著”之一！AI霸榜书重磅更新！“美亚”AI+神经网络+CV+NLP四大畅销榜首图书，基于TensorFlow 2和新版Scikit-Learn全面升级，内容增加近一倍！前谷歌工程师撰写，Keras之父和TensorFlow移动端负责人鼎力推荐，从实践出发，手把手教你从零开始搭建起一个神经网络。
02
《机器学习算法的数学解析与Python实现》
长按识别购买
作者：莫凡
书号：978-7-111-64260-2
卖点：
生动——语言生动幽默，通过分析大量生活案例，帮助读者理解机器学习的算法。
简单——让很多听起来高大上的名词更实用。
实用——精选了最主要的机器学习算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。
系统——从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中主要的算法。
推荐语：“蜥蜴书”最佳拍档！有趣、易懂、不枯燥，看得懂、学得会的机器学习入门书。全书用白话讲解，帮你从生活案例中理解算法，发现算法的乐趣，再把算法应用到机器学习中，让你零基础掌握算法精髓，快速进入AI开发领域。
更多精彩回顾
书讯 | 12月书讯 | 年末上新，好书不断
资讯 | DB-Engines 12月数据库排名：PostgreSQL有望获得「2020年度数据库」荣誉?
书单 | 机器人时代已来！推荐几本机器人学硬核好书
干货 | 基于中台架构的新业务建设原则
收藏 | 为什么Siri总是像个智障？智能助手背后的技术到底有多难？
上新 | 尴尬的游戏用户体验设计师
赠书 | 【第34期】如何成为一个软件架构师？
点击阅读全文了解更多AI好书