您提到的一些书籍经常被用作机器学习或人工智能入门课程的参考书。

例如，如果我没记错的话，在我的机器学习入门课程中，教授推荐了 Bishop 的《模式识别和机器学习》（2006）一书，尽管我们在课程中从未使用过它。这是一本好书，但在我看来，它涵盖了许多不适合入门课程的主题，例如变分推理或抽样方法。

《人工智能》一书。Norvig 和 Russell的《现代方法》绝对不关注机器学习，但它涵盖了人工智能的许多其他方面，例如搜索、规划、知识表示、机器学习、机器人技术、自然语言处理或计算机视觉。如果您想全面了解 AI 领域，这可能是您应该阅读和使用的书。尽管我从未完全阅读过它，但我经常将其用作参考，就像我使用提到的另一本书一样。例如，在我的学士学位期间，更具体地说，是人工智能入门课程，我们曾将这本书用作参考书，但请注意，还有其他书籍提供了人工智能领域的广泛概述。

其他两本书没有这两本书那么有名，但它们可能也是好书，尽管它们的重点可能不同。

我认为您至少还应该了解其他三本书，因为它们还涵盖了实际的学习理论，即（计算）学习理论，然后再深入探讨更具体的主题，例如核方法。

• 机器学习(1997)，Tom Mitchell
• Mehryar Mohri 等人的机器学习基础（第 2 版，2018 年）。
• 了解机器学习：从理论到算法（2014 年），作者 Shai Shalev-Shwartz 等人。

你可以在这里找到更多关于学习理论的书籍。

模式识别和机器学习是一本很棒的理论书籍。我对标准 ML 没有什么比这更好的了。我自己读了几页，如果你对某些概念不确定，我所有的同事研究人员都建议看那里。它的两个问题是它非常庞大，并且几乎没有涵盖当今已知的几乎所有深度学习模型。

所以，此外，我建议你看看Ian Goodfellow 等人的深度学习。

您对不学习拓扑、测度论和群论的担忧是没有根据的。这些数学部分无论如何都不是先决条件，甚至在我所知道的任何地方都没有讨论过。

实际上，机器学习理论更像是概率论和统计学。特别是统计学习理论（无非是概率论和统计学）。我没有读过任何关于 SLT 的书，所以看看这个答案。