推荐的学习书单：
1. 《统计学习基础：数据挖掘、推理与预测》
- 尽管应用的是统计学 *** ，但强调的是概念，而不是数学。
- 该书内容广泛，涵盖从有指导的学习（预测）到无指导的学习；从神经 *** 、支持向量机到分类树、提升等主题，应有尽有，许多例子还附以彩图，是同类书籍中介绍最全面的。
- 计算和信息技术的飞速发展带来了医学、生物学、财经和市场营销等诸多领域的海量数据。
- 理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。
2. 《模式分类》第二版
- 除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新 *** ，其中包括神经 *** 、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
3. 《推荐系统实践》
- 过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种标准（比如覆盖率、满意度）和 *** （比如AB测试），总结了当今互联网领域中各种和推荐有关的产品和服务。
4. 《深入搜索引擎–海量信息的压缩、索引和查询》
- 理论和实践并重，深入浅出地给出了海量信息数据处理的整套解决方案，包括压缩、索引和查询的方方面面，其更大的特色在于不仅满足信息检索理论学习的需要，更重要的是给出了实践中可能面临的各种问题及其解决 *** 。
5. 《概率论与数理统计》
- 这本书不用过多介绍了吧，普遍大学里大一时期的教科书，只恨当年没听课啊，现在正在慢慢啃。
6. 《大数据：互联网大规模数据挖掘与分布式处理》
- 主要包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集挖掘、聚类算法、广告管理及推荐系统。
7. 《Web数据挖掘》
- 信息检索领域的书籍，该书深入讲解了从大量非结构化Web数据中提取和产生知识的技术，书中首先论述了Web的基础（包括Web信息采集机制、Web标引机制以及基于关键字或基于相似性搜索机制），然后系统地描述了Web挖掘的基础知识，着重介绍基于超文本的机器学习和数据挖掘 *** ，如聚类、协同过滤、监督学习、半监督学习，最后讲述了这些基本原理在Web挖掘中的应用。《Web数据挖掘》为读者提供了坚实的技术背景和最新的知识。
8. 《数据之巅》
- 对大数据追根溯源，提出当前信息技术的发展，已经让中国获得了后发优势，中国要在大数据时代的全球竞争中胜出，必须把大数据从科技符号提升成为文化符号，在全社会倡导数据文化。
9. 《深入浅出统计学》
- 本书涵盖的知识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等，完整涵盖AP考试范围。
10. 《矩阵分析》
- 本书从数学分析的角度论述矩阵分析的经典 *** 和现代 *** ，取材新，有一定的深度，并给出在多元微积分、复分析、微分方程、量优化、逼近理论中的许多重要应用，主要内容包括：特征值、特征向量和相似性，酉等价和正规矩阵，标准形，Hermite矩阵和对称矩阵，向量范数和矩阵范数，特征值和估计和扰动，正定矩阵，非负矩阵。
11. 《统计学习 *** 》
- 本书全面系统地介绍了统计学习的主要 *** ，特别是监督学习 *** ，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与更大熵模型、支持向量机、提升 *** 、em算法、隐马尔可夫模型和条件随机场等，除第1章概论和最后一章总结外，每章介绍一种 *** ，叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习 *** 的实质，学会运用，为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。
12. 《机器学习导论》
- 对机器学习的定义和应用实例进行了介绍，涵盖了监督学习，贝叶斯决策理论，参数 *** 、多元 *** 、维度归约、聚类、非参数 *** 、决策树，线性判别式、多层感知器，局部模型、隐马尔可夫模型，分类算法评估和比较，组合多学习器以及增强学习等。
`《机器学习及其应用》：全书共分14章，内容涉及因果推断、流形学习与降维、迁移学习、类别不平衡学习、演化聚类、多标记学习、排序学习、半监督学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机，`
希望这些调整对你有所帮助！如果你有任何其他问题，请随时告诉我。