۱. کتاب "introduction to Machine Learning with Python: A Guide for Data Scientists" نوشته شده توسط Andreas C.Muller & Sarah Guido: این کتاب برای کسانی که مبتدی هستند، مناسب است. شامل مثال‌های عملی هست و بر روی استفاده از scikit-learn در مسائل مختلف یادگیری ماشین متمرکز است.
۲. کتاب "Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow" نوشته شده توسط Aurelien Geron: این کتاب به صورت گسترده یکی از بهترین منابع برای یادگیری عملی یادگیری ماشین سنتی توسط scikit-learn و یادگیری عمیق به واسطه استفاده از Tensorflowو Keras است.
۳. کتاب "Python Machine Learning" نوشته شده توسط Sebastian Raschka & Vahid Mirjalili: این کتاب مفهومی بازه وسیعی از موضوعات یادگیری ماشین را همراه با مثال‌های عملی پوشش می‌دهد. برای یادگیرندگان مبتدی و سطح متوسط مناسب است.
۴. کتاب "Deep Learning" نوشته شده توسط Ian Godfellow, Yoshua Bengio & Aaron Courville: برای کسانی که علاقه‌مند به عمیق شدن در مفاهیم یادگیری عمیق هستند، یک منبع قابل اطمینان و مناسب هست. این کتاب مفاهیم تئوری و جنبه‌های عملی یادگیری عمیق را پوشش می‌دهد.
۵. کتاب "Python Machine Learning for Predictive Data Analysis" نوشته شده توسط Michael Bowles: این کتاب تمرکز بر روی مدل سازی پیش بینی‌گر و کاربرد‌های عملی آن دارد. به شما در ساخت مدل‌های پیش بینی‌گر با استفاده از زبان پایتون کمک خواهد کرد.
۶. کتاب "Machine Learning Yearning" نوشته شده توسط Andrew Ng: این کتاب توسط یکی از پیشروان یادگیری ماشین، Andrew Ng، نوشته شده است. شامل راهنمایی‌هایی عملی در چگونگی به کارگیری و مدیریت پروژه‌های یادگیری ماشین به صورت تاثیرگذار هست.
۷. کتاب "Machine Learning: A Probabilistic Perspective" نوشته شده توسط Kevin P.Murphy: اگر به دنبال درک عمیق‌تری از مفاهیم احتمالاتی در یادگیری ماشین هستید، این کتاب یک انتخاب عالی برای شما خواهد بود.
۸. کتاب "Pattern Recognition and Machine Learning" نوشته شده توسط Christopher M. Bishop: کتاب اساسی دیگری که بینش و درک درستی از الگوریتم‌های یادگیری ماشین مختلف و تکنیک های تشخیص الگو را فراهم می‌کند.
۹. کتاب "Building Machine Learning Powered Applications" نوشته شده توسط Emmanuel Ameisen: این کتاب بر توسعه نرم افزار‌های کاربردی با استفاده از یادگیری ماشین تمرکز دارد. به خصوص برای کسانی که علاقه‌مند به راه اندازی مدل‌های یادگیری ماشین در پروژه‌های واقعی هستند، مناسب است.
۱۰. کتاب "Data Science for Business" نوشته شده توسط Foster Provost & Tom Fawcett: این کتاب به صورت مشخص در مورد زبان پایتون نیست، بلکه درک خوبی از چگونگی برازش یادگیری ماشین در زمینه‌های گسترده‌تر علوم داده و کاربرد‌های آن در تجارت می‌دهد.
