看你是想學理論還是偏實踐，理論的話周志華的機器學習可以稱的上是機器學習的聖經了，還有一本是機器學習實戰，用Python教你如何去實現一個演算法。

深度學習涉及到的數學知識主要有線性代數、機率論和微積分，這三門課程也是理工科學生必學的數學課。

深度學習要對未知的類別或變數值做預測，就要面對不確定性，而機率論是對不確定性的描述；深度學習將影象、語音、文字等原始資料轉化成高維的向量並學習，這個過程結合了矩陣運算與非線性變換，比如，卷積神經網路中的矩陣卷積運算就屬於線性代數的內容；在深度學習的最佳化過程中，為了分析深度學習模型的表現並尋找改進的方法，我們需要根據微積分知識，有針對性地嘗試模型的最佳化，比如選擇合適的最佳化演算法、調整學習率等。

在這裡為題主分享幾本精選的數學書，不僅有對數學理論的闡述，還有與計算機知識的結合，能夠幫題主更順暢地理解深度學習。

機率論《程式設計師的數學2：機率統計》作者：平岡和幸 堀玄，譯者：陳筱煙

這本書講解了程式設計師必須掌握的各類機率統計知識，例證豐富，涉及隨機變數、貝葉斯公式、離散值和連續值的機率分佈、協方差矩陣、多元正態分佈、偽隨機數等及各類應用。

《機率導論：第2版·修訂版》，作者：Dimitri P.Bertsekas，John N.Tsitsiklis，譯者：鄭國忠 童行偉

這本書是MIT 等全球眾多名校使用的教材，從直觀、自然的角度闡述機率，是理工科學生的入門首選。其內容全面，例題和習題豐富，結構層次性強，能夠滿足不同讀者的需求。書中介紹了機率模型、離散隨機變數和連續隨機變數、多元隨機變數以及極限理論等機率論基本知識，以及矩母函式、條件機率的現代定義、獨立隨機變數的和、最小二乘估計等高階內容，是一本在表述簡潔和推理嚴密之間取得了完美平衡的經典作品。

《應用隨機過程 機率模型導論（第11版）》作者：Sheldon M. Ross，譯者：龔光魯

這本書是國際知名統計學家 Sheldon M. Ross的作品，是應用隨機過程的經典教材，精算學、人工智慧、機器學習的必備參考書，被加州大學伯克利分校、哥倫比亞大學、普度大學、密歇根大學、俄勒岡州立大學、華盛頓大學等眾多國外知名大學所採用。與其他隨機過程教材相比，這本書非常強調實踐性，主要內容有隨機變數、條件期望、馬爾可夫鏈、指數分佈、泊松過程、平穩過程、更新理論及排隊論等。

線性代數《程式設計師的數學3：線性代數》作者：平岡和幸 堀玄，譯者：盧曉南

這本書以通俗的語言和具象的圖表講解了程式設計師所需的線性代數知識，涉及向量、矩陣、行列式、秩、逆矩陣、線性方程、LU分解、特徵值、對角化、Jordan標準型、特徵值演算法等。

《線性代數應該這樣學（第3版）》，作者：Sheldon Axler，譯者：杜現昆，劉大豔，馬晶

這本書的中文版是累積銷量最高的線性代數圖書，原版暢銷30多個國家，被200多所高校教材採納為教材。本書在內容編排和處理方法上與國內通行的做法大不相同，它完全拋開行列式，採用更直接、更簡捷的方法闡述了向量空間和線性運算元的基本理論。書中對一些術語、結論、數學家、證明思想和啟示等做了註釋，不僅增加了趣味性, 還加強了讀者對一些概念和思想方法的理解。

微積分《微積分入門（修訂版）》，作者：[日]小平邦彥，譯者：裴東河

這本書是日本數學家小平邦彥晚年創作的經典微積分著作。作者著眼數學分析的深處，結合自身獨到的思考與理解，從嚴謹的實數理論出發思謀微積分，透過巧妙引導，啟發讀者自主思考，提升對微積分的領悟理解程度。 本書是小平邦彥為後人留下的一份重要文化財富，不僅值得數學專業人士研讀，對於需要微積分知識的其他理工科學生和專業人員也具有深刻啟示。

《普林斯頓微積分讀本 》，作者：阿德里安·班納，譯者：楊爽，趙曉婷，高璞

這本書是普林斯頓大學知名教授班納的作品，絕對是地球上最暢銷的微積分教材之一，風靡美國各大高校。本書專注於講述解題技巧，詳細講解了微積分基礎、極限、連續、微分、導數的應用、積分、無窮級數、泰勒級數與冪級數等內容，將內容的深度與數學的嚴謹完美結合。本書不僅可以作為參考書，也可以作為教材，是學習一元微積分的絕佳指導書。