周志华中文简历
周志华，男，分别于1996年6月、1998年6月和2000年12月于南京大学计算机科学与技术系获学士、硕士和博士学位。2001年1月起留校任教，2002年破格晋升副教授，2003年获国家杰出青年科学基金，随后被聘任为教授，2004年获博士生导师资格，2006年入选教育部长江学者特聘教授。现任南京大学校学术委员会委员、计算机科学与技术系主任、人工智能学院院长、计算机软件新技术国家重点实验室常务副主任、机器学习与数据挖掘研究所(LAMDA)所长。美国计算机学会(ACM)、美国科学促进会(AAAS)、国际人工智能学会(AAAI)、国际电气电子工程师学会(IEEE)、国际模式识别学会(IAPR)、国际工程技术学会(IET/IEE)、中国计算机学会(CCF)、中国人工智能学会(CAAI)、中国工业与应用数学学会(CSIAM)等学会的会士(Fellow)，欧洲科学院院士。教育部高等学校计算机类专业教学指导委员会副主任、证监会科技监管专家咨询委员会委员、南京市政府人工智能产业顾问，江苏省青联十一届副主席，十、十一、十二届江苏省政协委员，十四届全国政协委员等。
主要从事人工智能、机器学习、数据挖掘等领域的研究工作。主持多项科研课题，出版《机器学习》(2016)、《机器学习理论导引》(2020)、《EnsembleMethods:FoundationsandAlgorithms》(2012)、《EvolutionaryLearning:AdvancesinTheoriesandAlgorithms》(2019)，在本领域一流国际期刊和顶级国际会议发表论文两百余篇，被引用六万余次。主编文集多部。获发明专利二十余项。现任SpringerLNAI系列丛书总编，AIMagazine顾问，FrontiersofComputerScience、计算机科学与探索主编，中国科学:信息科学等刊副主编，ArtificialIntelligence,MachineLearning,IEEETPAMI,ACMTKDD等刊的AssociateEditor/编委，曾任科学通报副主编(2008-2014)，IEEETKDE(2008-2012),IEEETNNLS(2014-2017),IEEETCDS(2015-2016),ACMTIST(2009-2017),NeuralNetworks(2014-2016) 等刊的AssociateEditor/编委等；亚洲机器学习会议(ACML)发起人、指导委员会主席(2012-2018)及终身委员，亚太人工智能会议(PRICAI)指导委员会副主席，PAKDD指导委员会终身委员，ICDM指导委员会委员(2016-2020)，国际人工智能联合会(IJCAI)理事会成员(2018-2023)，国际人工智能联合会议(IJCAI2015-2016)顾问委员会委员，数十次担任国际学术会议主席，如国际人工智能联合大会(IJCAI2021)程序委员会主席、国际人工智能大会(AAAI2019)程序委员会主席、IEEE国际数据挖掘大会(ICDM2016)大会主席等，经常担任NeurIPS、ICML等重要国际学术会议的（高级）领域主席；中国计算机大会程序委员会主席(2021),中国人工智能大会程序委员会主席(2017,2019)、大会主席(2020,2021)。担任中国计算机学会常务理事、中国人工智能学会副理事长，江苏省计算机学会理事长，江苏省人工智能学会理事长，IEEE南京分部副主席。曾任中国计算机学会人工智能与模式识别专业委员会主任(2012-2019)，中国人工智能学会机器学习专业委员会主任(2006-2015)，IEEE计算智能学会数据挖掘技术委员会主席(2015-2016)，IEEE计算机学会南京分会创始主席(2008-2017)，南京大学首届青年学者联谊会会长(2009-2014)等。
以第一完成人获国家自然科学二等奖两项(2013,2020)、教育部自然科学一等奖三项(2005,2011,2019)、IEEE计算机学会EdwardJ.McCluskey技术成就奖(2019)、首届CCF-ACM人工智能奖(2020)、CCF王选奖(2017)、亚洲机器学习卓越贡献奖(2019)、亚太数据挖掘卓越贡献奖(2016)、IEEE数据挖掘杰出服务奖(2016)、IEEE计算智能学会杰出青年成就奖(2013)、中国青年科技奖(2006)、霍英东青年教师一等奖(2010)、微软教授奖(2006)、中创软件人才奖(2002)、全国优秀博士学位论文奖(2003)、新世纪百千万人才工程国家级人选(2009)、江苏省十大杰出青年(2004)、中国IT十年杰出青年(2008)、国务院政府特殊津贴(2006)等，十余次获国际论文/竞赛奖。已培养毕业博士生20余名，硕士生30余名，学生获全国优博1次，中国计算机学会优博9次、中国人工智能学会优博3次、江苏省优博/硕8次等；主讲研究生课程被评为江苏省优秀研究生课程，本科生课程被评为南京大学计算机系本科毕业生“心目中的好课程”；获首届全国教材建设奖全国优秀教材（高等教育类）一等奖(2021)、首届高校计算机专业优秀教师奖(2018)等。
具体情况见http://cs.nju.edu.cn/zhouzh/
人工智能入门书单（附PDF链接）
如果说《统计学习方法》胜在深度，那么《机器学习》就胜在广度。在具备广度的前提下，可以根据《机器学习》中提供的丰富参考文献继续深挖。
读完以上两本书，就可以阅读一些经典著作了。经典著作首推TomMitchell所著的MachineLearning，中译本名为《机器学习》。本书成书于1997年，虽然难以覆盖机器学习中的最新进展，但对于基本理论和核心算法的论述依然鞭辟入里，毕竟经典理论经得起时间的考验。这本书的侧重点也在于广度，并不涉及大量复杂的数学推导，是比较理想的入门书籍。作者曾在自己的主页上说本书要出新版，并补充了一些章节的内容，也许近两年可以期待新版本的出现。
另一本经典著作是TrevorHastie等人所著的ElementsofStatisticalLearning，于2016年出版了第二版。这本书没有中译，只有影印本。高手的书都不会用大量复杂的数学公式来吓唬人（专于算法推导的书除外），这一本也不例外。它强调的是各种学习方法的内涵和外延，相比于具体的推演，通过方法的来龙去脉来理解其应用场景和发展方向恐怕更加重要。
压轴登场的非ChristopherBishop所著的PatternRecognitionandMachineLearning莫属了。本书出版于2007年，没有中译本，也许原因在于将这样一本煌煌巨著翻译出来不知要花费多少挑灯夜战的夜晚。这本书的特点在于将机器学习看成一个整体，不管于基于频率的方法还是贝叶斯方法，不管是回归模型还是分类模型，都只是一个问题的不同侧面。作者能够开启上帝视角，将机器学习的林林总总都纳入一张巨网之中，遗憾的是，大多数读者跟不上他高屋建瓴的思路（也包括我自己）。
最后推荐的是DavidJCMacKay所著的InformationTheory,InferenceandLearningAlgorithms，成书于2003年，中译本名为《信息论，推理与学习算法》。本书作者是一位全才型的科学家，这本书也并非机器学习的专著，而是将多个相关学科熔于一炉，内容涉猎相当广泛。相比于前面板着脸的教科书，阅读本书的感觉就像在和作者聊天，他会在谈笑间抛出各种各样的问题让你思考。广泛的主题使本书的阅读体验并不轻松，但可以作为扩展视野的一个调节。
数学篇
1、线性代数
推荐两本国外的教材。其一是GilbertStrang所著的IntroductiontoLinearAlgebra，英文版在2016年出到第五版，暂无中译本。这本通过直观形象的概念性解释阐述抽象的基本概念，同时辅以大量线性代数在各领域内的实际应用，对学习者非常友好。作者在麻省理工学院的OCW上开设了相应的视频课程，还配有习题解答、模拟试题等一系列电子资源。
其二是DavidCLay所著的LinearAlgebraanditsApplications，英文版在2015年同样出到第五版，中译本名为《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组这些基本概念深入浅出地介绍线代中的基本概念，着重公式背后的代数意义和几何意义，同样配有大量应用实例，对理解基本概念帮助很大。
2、概率论
基础读物可以选择SheldonMRoss所著的AFirstCourseinProbability，英文版在2013年出到第九版（18年马上要出第十版），中译本名为《概率论基础教程》，对应原书第九版，也有英文影印本。这本书抛开测度，从中心极限定理的角度讨论概率问题，对概念的解释更加通俗，书中还包含海量紧密联系生活的应用实例与例题习题。
另一本艰深的读物是EdwinThompsonJaynes所著的ProbabilityTheory:TheLogicofScience，本书暂无中译本，影印本名为《概率论沉思录》也已绝版。这本书是作者的遗著，花费半个世纪的时间完成，从名字就可以看出是一部神书。作者从逻辑的角度探讨了基于频率的概率，贝叶斯概率和统计推断，将概率论这门偏经验的学科纳入数理逻辑的框架之下。如果读这本书，千万要做好烧脑的准备。
3、数理统计
基础读物可以选择陈希孺院士所著的《数理统计学教程》。关于统计学是不是科学的问题依然莫衷一是，但它在机器学习中的重要作用毋庸置疑。陈老的书重在论述统计的概念和思想，力图传授利用统计观点去观察和分析事物的能力，这是非常难能可贵的。
进阶阅读可以选择RogerCasella所著的StatisticalInference，由于作者已于2012年辞世，2001年的第二版便成为绝唱。中译本名为《统计推断》，亦有影印本。本书包含部分概率论的内容，循循善诱地介绍了统计推断、参数估计、方差回归等统计学中的基本问题。
4、最优化理论
可以参考StephenBoyd所著的ConvexOptimization，中译本名为《凸优化》。这本书虽然块头吓人，但可读性并不差，主要针对实际应用而非理论证明，很多机器学习中广泛使用的方法都能在这里找到源头。
5、信息论
推荐ThomasCover和JayAThomas合著的ElementsofInformationTheory，2006年出到第二版，中译本为《信息论基础》。这本书兼顾广度和深度，虽然不是大部头却干货满满，讲清了信息论中各个基本概念的物理内涵，但要顺畅阅读需要一定的数学基础。另外，本书偏重于信息论在通信中的应用。
作者介绍
王天一，北京邮电大学工学博士，贵州大学大数据与信息工程学院副教授，贵州省3D数字医疗学会会员。在读期间主要研究方向为连续变量量子通信理论与系统，主持并参与多项国家级/省部级科研项目，以第一作者身份发表SCI论文5篇。
目前主要研究方向为大数据与人工智能，研究内容包括以物联网为基础的大数据应用及神经网络与机器学习。除技术领域外，对人工智能的发展方向与未来趋势亦有深入思考，著有《人工智能革命》一书。
PDF链接
机器学习篇
数学篇
以上内容，出自《人工智能基础课》。如果你对AI感兴趣，或考虑转型AI领域。这个专栏，正是你需要的。专栏共有七大模块：
模块一：数学基础模块二：机器学习主要方法模块三：人工神经网络模块四：深度学习模块五：神经网络实例模块六：深度学习之外的人工智能模块七：应用场景点「阅读原文」，免费试读或订阅返回搜狐，查看更多