正如 gung 链接的页面中提到的，统计学习的要素是一个很好的、深入的参考。An Introduction to Statistical Learning是一本更平易近人的书，涵盖了许多相同的主题，并提供了 R 中的示例。

我还发现应用预测建模是一个非常好的、实用的机器学习参考，其中包含 R 中的示例。

最近的 Python 机器学习书籍是使用 Python构建机器学习系统。我还没有使用它，但它似乎为机器学习提供了一个很好的介绍。

最后，scikit-learn示例页面提供了许多很好的示例，如果您已经了解您正在尝试做的事情背后的理论。

我建议你买两本书：

1. 一般参考

   我绝对可以推荐Christopher Bishop 的模式识别和机器学习。它有点旧（2006 年），但您将获得深入研究最先进的研究论文的基础。

   已经提到的统计学习要素也是一个很好的起点。特别是因为您可以免费下载它。

2. Python / 编程 最好知道您以前是否有脚本语言（Python、R、Matlab）的编程经验。很难找到一本既提供足够技术水平又提供良好编程示例的书。

   如果您没有“统计编程”方面的先验知识，我会推荐一本书，例如Wes McKinney 的Python for Data Analysis。我的经验表明，数据分析初学者在数据本身（格式化、合并）方面比在算法方面有更多的问题，因为通常有已经实现算法的工具箱。

Murphy 的《机器学习》是一本很好的书，里面有很多例子。他们使用 MATLAB 作为编程语言，这意味着其中大部分可以使用 Octave 轻松运行或翻译成 Python。

最近的一本书是Grus的从头开始的数据科学，其中涵盖了“k-最近邻、朴素贝叶斯、线性和逻辑回归、决策树、神经网络和聚类”。我自己没有读过它，但我听说了一些好东西。