《程序员的数学基础课 从理论到Python实践》
《数学之美 》第三版
《机器学习的数学》
《算法设计》Kleinberg的经典教材
《编程珠玑》 第2版
《编程珠玑 续》
《人工智能算法：卷1基础算法》
《人工智能算法：卷2受大自然启发的算法》
《人工智能算法：卷3深度学习和神经网络》
《可怕的科学：经典数学系列》
《有趣的数学旅行系列》
《数学世界历险记系列》
《数学奇遇记系列》
《魔法学院的奇幻之旅：用GoC编程绘图（基础篇）》
《啊哈C语言：逻辑的挑战（修订版）》
《青少年C++趣味入门》
《CCF中学生计算机程序设计（入门篇）》
《CCF中学生计算机程序设计（基础篇）》
《聪明人的游戏：信息学探秘（提高篇）》
《啊哈！算法》
《算法基础：打开算法之门》
《算法竞赛入门经典（第2版）》
《算法竞赛入门经典：训练指南》
《C++程序设计（第3版）》
《初等数论及其应用（原书第6版）》
《挑战程序设计竞赛（第2版）》
《挑战程序设计竞赛：算法和数据结构》
《算法问题实战策略》
《具体数学·计算机科学基础（第2版）》
《算法导论（原书第3版）》
《算法：C语言实现（第1-4部分）（原书第3版）》
《算法：C语言实现（第5部分）（原书第3版） 》
《组合数学（原书第5版）》
《ACM-ICPC程序设计系列：基础训练题解》
《ACM-ICPC程序设计系列：算法设计与实现》
《ACM-ICPC程序设计系列：数论及应用》
《ACM-ICPC程序设计系列：图论及应用》
《ACM-ICPC程序设计系列：组合数学及应用》
《ACM-ICPC程序设计系列：计算几何及应用》
《算法设计》 Jon Kleinberg, Eva Tardos
《国家集训队论文集》
《ACM国际大学生程序设计竞赛：知识与入门》
《ACM国际大学生程序设计竞赛：算法与实现》
《ACM国际大学生程序设计竞赛：题目与解读》
《Real World Machine Learning（现实世界中的机器学习）》
《An Introduction To Statistical Learning（统计学习介绍）》
《An Introduction To Statistical Learning（统计学习的要素）》
《Probabilistic Programming & Bayesian Methods for Hackers （概率编程与黑客的贝叶斯方法）》
《Think Bayes（贝叶斯方法）》
《Information Theory, Inference, and Learning Algorithms（信息理论，推理和学习算法）》
《Gaussian Processes for Machine Learning（机器学习的高斯过程）》
《Data-Intensive Text Processing with MapReduce（数据强化文本处理）》
《Reinforcement Learning: - An Introduction（增强学习）》
《Mining of Massive Datasets（数据集挖掘规模化）》
《A First Encounter with Machine Learning（机器学习的第一次邂逅）》
《Pattern Recognition and Machine Learning（模式识别和机器学习）》
《Machine Learning & Bayesian Reasoning（机器学习与贝叶斯推理）》
《Introduction to Machine Learning（机器学习简介）》
《A Probabilistic Theory of Pattern Recognition（模式识别的概率理论）》
《Introduction to Information Retrieval（信息检索简介）》
《Forecasting: principles and practice（预测：原则和实践）》
《Introduction to Machine Learning(机器学习简介)》
《Reinforcement Learning(强化学习)》
《Machine Learning(机器学习)》
《A Quest for AI(AI的任务)》
《Introduction to Applied Bayesian Statistics and Estimation for Social Scientists(应用贝叶斯统计学概论和社会科学家的估计)》
《Bayesian Modeling, Inference and Prediction（贝叶斯建模，推理和预测）》
《A Course in Machine Learning（机器学习课程）》
《Machine Learning, Neural and Statistical Classification（机器学习，神经和统计分类）》
《Bayesian Reasoning and Machine Learning（贝叶斯推理和机器学习）》
《R Programming for Data Science（R语言数据科学）》
《Data Mining - Practical Machine Learning Tools and Techniques（数据挖掘 - 实用机器学习工具和技术）》
https://pymlovelyq.github.io/posts/e140888d/ 架构师，java，c++，算法，机器学习都有
参考资料：
资源|28本必读的经典机器学习/数据挖掘书籍（免费下载） - 知乎