机器学习和深度学习入门必读书单，涵盖数学、信息论、概率图模型等核心领域，助力构建扎实理论基础与实践视野：
• 《Graphical Models, Exponential Families, and Variational Inference》——概率图模型与变分推断，理解复杂结构化数据的关键工具
• 《Elements of Information Theory》——信息论经典教材，掌握信息度量与编码基础
• 《Machine Learning: A Probabilistic Perspective》——系统讲解概率视角下的机器学习方法，数学严谨且应用丰富
• 《Information Theory, Inference, and Learning Algorithms》（David J.C. Mackay）——极具启发性的教学风格，结合概率与信息论，配有YouTube授课视频，适合深入理解
• 《Learning Deep Architectures for AI》（Yoshua Bengio）——深度学习开山之作，适合数学背景学生开拓视野
• 辅助推荐：《Probabilistic Graphical Models》（Daphne Koller & Nir Friedman）、《Fundamentals of Statistical Signal Processing》（Steven M. Kay）等，强化概率统计与信号处理基础
• 经典参考：《Operations Research》（Wayne L. Winston）及图论、关系理论等数学基础书籍，拓展理论边界
深度理解这些书籍背后的方法论，帮助你系统构建机器学习与深度学习的知识体系，促进跨领域融合与创新。新手可结合相关学位论文和开源软件项目（如DynaMax）提升实践能力。
