绘图：Geogebra和Visio

http://muchong.com/bbs/viewthread.php?tid=4523749&fpage=1

现代控制理论粗略讲包括三个部分：线性系统理论，最优控制理论和系统辨识。这三个方面都是在上个世纪六七十年代发展起来的。
线性系统最经典的著作当属陈启宗的《Linear sysytem thoery and design》和凯拉斯的《Linear systems》。这两本都是美国各名牌大学控制专业指定用书，前者读后会让你感受到一个体系的美和完整，后者比较难懂，如能坚持读完，理论素养会有很大的提升，在美国控制届没有不知道凯拉斯的。
最优控制理论从运筹学等数学理论发展过来，有很多这方面的书。这里推荐一本《The robust maximum principle》，这本书理论起点较高，几乎囊括了最优控制的所有精华。
系统辨识的经典是瑞典的Ｌ。荣，在此基础上的自适应控制的经典是Ｇｏｏｄｗｉｎ的《自适应预测，滤波和控制》。
关于鲁棒控制的经典力作，无可厚非当属周克敏教授的《鲁棒与最优控制》，是美国各大研究生院的指定教材，据不完全统计周教授的SCI论文和这本书已被引用六千余次，这是我们搞鲁棒控制的偶像！
关于非线性控制著作：Hassan K. Khalil 写的曾获IFAC控制工程教材奖的《非线性系统》有中译版的。
希望以上推荐对各位有志于在控制领域有所建树的广大朋友，在控制理论素养上和知识结构的完整上有所帮助！

补充：Ｌ。荣——莱纳。荣（Lennart Ljung）

关于非线性控制的著作还有Alberto Isidori写的《Nonlinear Control Systems Third Edition》被业界誉为非线性控制领域的“圣经”。有电子工业出版社的中译本，比Hassan K. Khalil 写的《Nonlinear Systems》略难。

Ps，应该是陈同文的《Linear system theory and design》，楼主说的陈启宗好像是按照香港拼音翻译过来的！

李航：http://research.microsoft.com/en-us/people/hangli/，是MSRA Web Search and Mining Group高级研究员和主管，主要研究领域是信息检索，自然语言处理和统计学习。近年来，主要与人合作使用机器学习方法对信息检索中排序，相关性等问题的研究。曾在人大听过一场他的讲座，对实际应用的问题抽象，转化和解决能力值得学习。

周志华：http://cs.nju.edu.cn/zhouzh/，是南京大学的杰青，机器学习和数据挖掘方面国内的领军人物，其好几个研究生都进入了美国一流高校如uiuc，cmu等学习和深造。周教授在半监督学习，multi-label学习和集成学习方面在国际上有一定的影响力。另外，他也是ACML的创始人。人也很nice，曾经发邮件咨询过一个naive的问题，周老师还在百忙之中回复了我，并对我如何发邮件给了些许建议。

杨强：http://www.cse.ust.hk/~qyang/，香港科技大学教授，也是KDD 2012的会议主席，可见功力非同一般。杨教授是迁移学习的国际领军人物，曾经的中国第一位acm全球冠军上交的戴文渊硕士期间就是跟他合作发表了一系列高水平的文章。还有，杨教授曾有一个关于机器学习和数据挖掘有意思的比喻：比如你训练一只狗，若干年后，如果它忽然有一天能帮你擦鞋洗衣服，那么这就是数据挖掘；要是忽然有一天，你发现狗发装成一个老太婆消失了，那么这就是机器学习。

李建中：http://db.hit.edu.cn/jianzhongli/，哈工大和黑大共有教授，是分布式数据库的领军人物。近年来，其团队在不确定性数据，sensor network方面也发表了一系列有名文章。李教授为人师表，教书育人都做得了最好，在圈内是让人称道的好老师和好学者。

唐杰：http://keg.cs.tsinghua.edu.cn/jietang/，清华大学副教授，是图挖掘方面的专家。他主持设计和实现的Arnetminer是国内领先的图挖掘系统，该系统也是多个会议的支持商。

张钹：http://www.csai.tsinghua.edu.cn/personal_homepage/zhang_bo/index.html 清华大学教授，中科院院士，。现任清华大学信息技术研究院指导委员会主任，微软亚洲研究院技术顾问等。主要从事人工智能、神经网络、遗传算法、智能机器人、模式识别以及智能控制等领域的研究工作。在过去二十多年中，张钹教授系统地提出了问题求解的商空间理 论。近年来，他建立了神经与认知计算研究中心以及多媒体信息处理研究组。该研究组已在图像和视频的分析与检索方面取得一些重要研究成果。

刘铁岩：http://research.microsoft.com/en-us/people/tyliu/ MSRA研究主管，是learning to rank的国际知名学者。近年逐步转向管理，研究兴趣则开始关注计算广告学方面。

王海峰：http://ir.hit.edu.cn/~wanghaifeng/ 信息检索，自然语言处理，机器翻译方面的专家，ACL的副主席，百度高级科学家。近年，在百度主持研发了百度翻译产品。

何晓飞：http://people.cs.uchicago.edu/~xiaofei/ 浙江大学教授，多媒体处理，图像检索以及流型学习的国际领先学者。

朱军：http://www.ml-thu.net/~jun/ 清华大学副教授，机器学习绝对重量级新星。主要研究领域是latent variable models, large-margin learning, Bayesian nonparametrics, and sparse learning in high dimensions. 他也是今年龙星计划的机器学习领域的主讲人之一。

吴军：http://www.cs.jhu.edu/~junwu/ 腾讯副总裁，前google研究员。著名《数学之美》和《浪潮之巅》系列的作者。

张栋：http://weibo.com/machinelearning 前百度科学家和google研究员，机器学习工业界的代表人物之一。

戴文渊：http://apex.sjtu.edu.cn/apex_wiki/Wenyuan_Dai 现百度凤巢ctr预估组leader。前ACM大赛冠军，硕士期间一系列transfer learning方面的高水平论文让人瞠目结舌。

文章来源于：http://emuch.net/html/201208/4842092.html

1、你可以关注一些大牛的主页，比如UCB的Michael I. Jordan（大牛中的大牛）http://www.cs.berkeley.edu/~jordan/。国内也有很多厉害的学者，比如微软亚洲研究院的李航、香港科大的杨强（这两个人好像现在都去华为香港的诺亚方舟实验室了）等。

2、看看survey对于一些初学者是个不错的方法，至少可以知道某个方向的现状，http://www.mlsurveys.com/这个网址收录了机器学习不同方向的很多综述。

3、http://jeffhuang.com/best_paper_awards.html这个网址收录了很多计算机顶级会议历年的best paper。其中AAAI、ICML等就是人工智能和机器学习方向的。

4、你也可以看看国外的一些机器学习和人工智能的课程。推荐https://www.coursera.org/上standford的Andrew Ng的ML课，以及udacity上的AI导论http://www.udacity.com/overview/Course/cs271/CourseRev/1。AI这门课的主讲之一Peter Norvig非常厉害，现在好像在google工作了。

5、最后给你推荐几本书吧。《Foundations of Machine Learning》、《Machine Learning: A Probabilistic Perspective》（非常好的大部头巨著）、《Machine Learning: An Algorithmic Perspective》、《Statistical foundations of machine learning》等

(1)
以下是不完整的列表，但基本覆盖。
机器学习顶级会议：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）
计算机视觉和图像识别：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）
人工智能：IJCAI, AAAI; （期刊AI）
另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。
特别是，如果做机器学习，必须地，把近4年的NIPS, ICML翻几遍；如果做计算机视觉，要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。
(2)
另外补充一下：大部分顶级会议的论文都能从网上免费下载到，比如CV方面：http://www.cvpapers.com/index.html; NIPS: http://books.nips.cc/; JMLR(期刊):http://jmlr.csail.mit.edu/papers/; COLT和ICML(每年度的官网):http://www.cs.mcgill.ca/~colt2009/proceedings.html。希望这些信息对大家有点帮助。
(3)
说些自己的感受。我的研究方向主要是统计学习和概率图模型，但对计算机视觉和计算神经科学都有涉及，对Data mining和IR也有些了解。这些领域，从方法和模型的角度看，统计模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影响力的方法。有个非常明显的趋势：重要的方法和模型最先在NIPS或ICML出现，然后应用到CV,IR和MM。虽然具体问题和应用也很重要，但多关注和结合这些方法也很有意义。