除了最后一篇，我都读过了。如果您对计算机视觉很认真，那么您不会从这份阅读清单中得到太多。然而，如果你对这些书有兴趣，我会从 Goodfellow 的深度学习开始，它是相当独立的，也是唯一一本涵盖计算机视觉的书，足以让它为此目的而有所收获。您可以从这里扩展并阅读本书中您缺乏背景的其他材料。

如果您不太关心计算机视觉，您可以从其他书籍开始，它们通常按以下顺序阅读：

1. R 中应用的统计学习简介
2. 统计学习的要素
3. Bishop 模式识别与机器学习

如果你完成了这些，你可以解决非常枯燥乏味的 McKay。Shai Shalev-Shwartz 等人。是一本不错的书，涵盖了其他书中的很多材料，但从经验风险最小化的角度来看，并涵盖了 Vapnik-Chervonenkis 理论。它在经典的定理证明推论方案中更具理论性和结构性。所采取的观点不太实用，但增加了其他书籍。

我不知道关于凸优化的书，但您可能可以按任何顺序阅读它。如果您想阅读所有书籍并且不在乎需要多长时间，您可以先阅读它，因为它听起来更基础。

我会直接从斯坦福的神经网络图像识别课程开始（http://cs231n.stanford.edu/syllabus.html）。他们有快速阅读和易于理解的幻灯片。他们对图像识别中使用的方法进行了概述，并对最新研究进行了详细描述（每年更新）。它们还涵盖了深度学习和梯度下降方法。我还建议你买一本关于统计的好书，其中解释了 CLT、参数与过度拟合困境和 CV。并参加 Kaggle 比赛。这将使您了解当前方法的实际局限性，了解图像识别中当前最先进的方法，并了解人们如何解决现实世界的问题。这是一个正在运行的图像识别 kaggle 比赛：https ://www.kaggle.com/c/airbus-ship-detection. 在斯坦福课程幻灯片和 Kaggle 比赛之后，您可能能够理解几乎所有关于图像识别和计算机视觉的科学论文。