如果你想学习机器学习，我强烈建议你参加由吴恩达教授教授的冬季免费在线机器学习课程。

我在秋季完成了上一个，所有学习材料都具有卓越的质量，并且面向实际应用，并且更容易理解独自挣扎一本书的过程。

它还具有良好的直观解释和最少的数学量，是一个非常容易实现的目标。

一些最好的和免费可用的资源是：

• 黑斯蒂，弗里德曼等人。统计学习的要素：数据挖掘、推理和预测
• 大卫·巴伯。贝叶斯推理和机器学习
• 大卫·麦凯。信息论、推理和学习算法(http://www.inference.phy.cam.ac.uk/mackay/itila/)

至于作者的问题，我还没有遇到“All in one page”的解决方案

是的，你很好；Christopher Bishop 的“模式识别和机器学习”是一本优秀的一般参考书，你不会错的。

David Barber 的“贝叶斯推理和机器学习”是一本相当新的书，但也写得非常好，同样广泛。一本我觉得更适合该领域的新手的书。

我使用了 Hastie 等人的“统计学习要素”。（由 Macro 提到）虽然是一本非常强大的书，但我不会推荐它作为第一参考；也许它可以更好地为您提供更专业主题的第二参考。在这方面，David MacKay 的书Information Theory, Inference, and Learning Algorithms也可以做得非常出色。

由于共识似乎是这个问题不是重复的，我想分享我最喜欢的机器学习初学者：

我发现Programming Collective Intelligence是最适合初学者的书，因为作者Toby Segaran专注于让中等软件开发人员尽可能快地进行数据黑客攻击。

典型章节：清晰地描述了数据问题，然后粗略地解释了算法的工作原理，最后展示了如何通过几行代码创建一些见解。

python的使用可以让一个人很快理解一切（你不需要知道python，说真的，我以前也不知道）。不要认为这本书只专注于创建推荐系统。它还处理文本挖掘/垃圾邮件过滤/优化/聚类/验证等，从而让您对每个数据挖掘器的基本工具有一个清晰的概述。