Книги

Must-read (основные)

Классический ML

• “Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow” — Aurélien Géron (3-е изд., 2022)

• Самая рекомендуемая книга. Прочтите от начала до конца.

• Найти: книжные магазины, O’Reilly Online Learning, Z-Library

• “Python for Data Analysis” — Wes McKinney (3-е изд., 2022, бесплатно online)

• От создателя Pandas

• Бесплатно: wesmckinney.com/book

MLOps

• “Designing Machine Learning Systems” — Chip Huyen (2022) — библия MLOps

• Лучшая книга для production ML

• Читается в каждой компании

• “Machine Learning Engineering” — Andriy Burkov (2020)

• Practical, короткая и чёткая

• Бесплатно read online (1 неделя): leanpub.com

Deep Learning

• “Deep Learning with PyTorch” — Eli Stevens, Luca Antiga, Thomas Viehmann

• Official книга PyTorch

• Бесплатный PDF: pytorch.org/deep-learning-with-pytorch

• “Dive into Deep Learning (D2L)” — Aston Zhang et al. (бесплатно online)

• Interactive — полный код для каждой концепции

• d2l.ai

Strong recommendation

Математика

• “Mathematics for Machine Learning” — Deisenroth, Faisal, Ong (бесплатный PDF)

• Необходимая математика для ML

• mml-book.com

• “Why Machines Learn” — Anil Ananthaswamy (2024)

• Math intuition (less formula)

LLM / Modern AI

• “Hands-On Large Language Models” — Jay Alammar, Maarten Grootendorst (O’Reilly, 2024)

• Самая новая и лучшая книга про LLM

• Visual и практическая

• “Build a Large Language Model (From Scratch)” — Sebastian Raschka (2024)

• Построение GPT-style LLM с нуля

Statistics / Data Science

• “An Introduction to Statistical Learning (ISLR)” — James, Witten, Hastie, Tibshirani (бесплатно)

• Классическая книга статистического обучения

• statlearning.com (есть и Python версия)

• “Practical Statistics for Data Scientists” — Bruce, Bruce, Gedeck

• Необходимая статистика для DS

Computer Vision

• “Deep Learning for Computer Vision” — Adrian Rosebrock (PyImageSearch)
• Практическая, с множеством проектов

NLP

• “Natural Language Processing with Transformers” — Lewis Tunstall (HuggingFace) (2022)

• Библия для экосистемы HuggingFace

• “Speech and Language Processing” — Jurafsky & Martin (бесплатно, 3-е изд. draft)

• Reference классического NLP

• web.stanford.edu/~jurafsky/slp3

Nice to read

Production / SWE

• “Effective Python” — Brett Slatkin (2-е изд.)
• “Architecture Patterns with Python” — Percival, Gregory
• “Designing Data-Intensive Applications” — Martin Kleppmann
• “Site Reliability Engineering” — Google (бесплатно: sre.google/books)

MLOps deeper

• “Building Machine Learning Pipelines” — Hannes Hapke & Catherine Nelson
• “Reliable Machine Learning” — Cathy Chen, Niall Murphy
• “Practical MLOps” — Noah Gift

Specialized

• “Recommender Systems Handbook” — Ricci, Rokach, Shapira
• “Reinforcement Learning: An Introduction” — Sutton & Barto (бесплатный PDF)
• “Generative Deep Learning” — David Foster (GANs, VAEs)

Career

• “AI Superpowers” — Kai-Fu Lee — industry overview
• “Machine Learning Yearning” — Andrew Ng (бесплатно) — practical tips
• “The Hundred-Page Machine Learning Book” — Andriy Burkov — короткий overview

Reference books

• “Pattern Recognition and Machine Learning” — Bishop (advanced)
• “The Elements of Statistical Learning” — Hastie, Tibshirani, Friedman (advanced)
• “Deep Learning” — Goodfellow, Bengio, Courville (advanced theory)

Как читать?

Стратегия чтения

1. Одну за раз — чтение нескольких сразу не даст ясности
2. Project-driven — читайте нужный раздел, а не 100% книги
3. С Notebook — попробуйте каждую концепцию в коде сами
4. Быстрое прослушивание — некоторые книги есть на Audible

Порядок (для новичков)

1. Géron — Hands-On ML(в течение Месяца 1-3)
2. McKinney — Python for Data Analysis(Месяц 1)
3. Huyen — Designing ML Systems(Месяц 4-6)
4. Alammar — LLMs(Месяц 5)

Коллекция бесплатных книг

Переход к Онлайн курсам.