大学自学人工智能需要看哪些书籍？
在大学自学人工智能，需要掌握一定的数学基础、编程能力和机器学习相关知识。以下是一些建议的书籍，分为基础课程和进阶课程两部分：
基础课程：
《线性代数及其应用》（David C. Lay）：线性代数是人工智能领域的基础数学工具，这本书讲解清晰，适合初学者。
《概率论与数理统计》（陈希孺）：概率论与数理统计是研究随机现象的数学分支，对于理解机器学习算法的原理至关重要。
《Python编程：从入门到实践》（Eric Matthes）：Python是人工智能领域最常用的编程语言，这本书适合初学者学习Python编程。
《数据结构与算法分析：C语言描述》（Mark Allen Weiss）：数据结构和算法是编程的基础，这本书以C语言为例，讲解了常用的数据结构和算法。
进阶课程：
《深度学习》（Ian Goodfellow, Yoshua Bengio, Aaron Courville）：这本书是深度学习领域的经典之作，详细介绍了深度学习的原理和方法。
《机器学习》（周志华）：这本书系统地介绍了机器学习的基本概念、方法和应用，是一本很好的入门教材。
《模式识别与机器学习》（Christopher M. Bishop）：这本书详细介绍了模式识别和机器学习的基本理论和方法，适合有一定数学基础的读者。
《自然语言处理综论》（Jurafsky & Martin）：自然语言处理是人工智能领域的一个重要分支，这本书全面介绍了自然语言处理的基本概念和技术。
《计算机视觉：算法与应用》（Richard Szeliski）：计算机视觉是人工智能领域的另一个重要分支，这本书详细介绍了计算机视觉的基本概念、算法和应用。
除了阅读这些书籍，还可以通过参加在线课程、阅读论文、参加学术会议等方式，不断拓展知识面和提高实践能力。同时，动手实践是学习人工智能的关键，可以通过参加开源项目、完成实战项目等方式，将所学知识应用到实际问题中，提高自己的技能水平。
哪位大佬有 Python机器学习基础教程，这个书籍网盘链接求一下大家！感恩
我这里有这个资源，可以在这里查看：
本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。
本书适合机器学习从业者或有志成为机器学习从业者的人阅读。
