給你12本熱門的深度學習書籍

深度學習是由少數研究人員開始的一個相對較小的領域，現在已經變得如此主流，以至於我們現在每天使用的應用程序和服務，現在都在使用深度學習來執行不久前難以想像的任務。為了幫助更多的人了解深度學習，現推薦12本熱門深度學習書籍給大家：

1.用Scikit-Learn和TensorFlow進行機器學習

首先，在我看來最好的一本是採用流行的機器學習庫Scikit-Learn和Google的TensorFlow的實踐教程來學習深度學習的書。

作者試圖以一種幾乎任何人都能理解的方式來解釋複雜的話題，這在我看來是一個很大的優勢。

我喜歡「 動手機器學習」，它可以讓你通過機器學習項目從開始到結束。因此，你可以看到如何處理真實數據，如何將數據可視化以獲取洞察力，以及重要的是如何為機器學習演算法準備數據。

在本書後面，你將看到著名的MNIST分類器，模型是如何訓練以及一些基本的機器學習分類器，如SVM，決策樹，隨機森林等。

所有這一切都是為了讓你準備好本書的第二部分，內容涉及Tensorflow（包括安裝）以及基本的神經網路和深度神經網路。

我認為這本書的結構很好，並以正確的順序介紹了主題，而且書中的想法和具體例子都有很好的解釋。

2.深度學習（Deep Learning）

深度學習，可能是本文中最全面的書。 這本書由該領域的三位專家Ian Goodfellow，Yoshua Bengio和Aaron Courville撰寫。此書也是唯一得到企業家馬斯克認可的書。

這本書被許多人認為是深度學習的聖經，因為它彙集了數年和數年在一本書中學習和專註的研究。

這本書並不是為了專心學習，而是可以更好地用於睡前閱讀，因為它充滿了函數方程式，並以典型的教科書書寫，所以它不會寫成最有趣的風格。

它從一開始就介紹基礎數學，如線性代數，概率論，接著轉向機器學習基礎，最後介紹深度網路和深度學習。

所以，如果你是一個渴望掌握主題並進入深度學習研究的有抱負的學生，那麼這本書肯定會對你有所幫助。這可能是目前關於此主題的最全面的書籍。

3.Deep Learning for the Layman(為外行準備的深度學習)

我把這本書添加進來，因為正如標題所說的的那樣，它是為一般讀者而寫的。

對於外行的深度學習首先介紹深度學習，具體來說，它是什麼以及為什麼需要它。

本書的下一部分解釋了監督學習，無監督學習和強化學習之間的差異，並介紹了分類和聚類等主題。本書後面將討論人工神經網路，包括它們是如何構建的以及構成網路中每一層的部分。最後討論了深度學習，包括構成當今許多計算機視覺演算法的一部分的卷積神經網路。

我將這本書看作是對深度學習的介紹，並了解所涉及的概念。但實際上，我不確定這本書會對你有好處，但如果你想要一本簡單的英文指南，同時又能看到很少炒作的文字，那麼這本書可能適合你。

4.建立你自己的神經網路（Make Your Own Neural Network）

這不是嚴格意義上的「深度學習」，但本書將帶你深入了解神經網路及其工作原理，幫助你了解深度神經網路。

在本書中，你可以通過神經網路的數學指導，完整的理解神經網路的工作方式。

你不僅可以知道他們如何工作，還可以在Python中實現兩個神經網路示例，這將有助於鞏固你對該主題的理解。

本書從機器學習的高層概述開始，然後深入研究神經網路的細節。所涉及的數學並沒有超出大學水平，但包含微積分的介紹，這是以儘可能多的人訪問的方式解釋的。

有兩個部分可以建立自己的神經網路，第一部分是關於思想和理論的，第二部分是更實際的。

在第二部分中，你將學習Python編程語言，並逐漸建立起自己的能夠識別手寫數字的神經網路。

作為獎勵，你還將學習如何讓你的神經網路在Raspberry Pi上運行！

對於那些希望學習基本神經網路的基本內容的人來說，這本書是一本很棒的書，並且可以成為本次綜述中有關深度學習的其中一本書的重要先決條件。

5.深度學習初學者（Deep Learning for Beginners）

對於初學者的深度學習，這本書並不太重視深度學習的數學，而是使用圖表來幫助你理解深度學習的基本概念和演算法。

本書採用與許多其他書籍不同的方法，通過提供深度學習演算法的工作原理的簡單示例，然後逐步構建這些示例並逐步引入更複雜的演算法部分。

本書的目標受眾非常多樣，從計算機科學新手到數據科學專業人員和導師都希望以最簡單的方式向學生解釋相關主題。

就書本結構而言，你將首先學習人工神經網路的基礎知識，並了解機器學習和深度學習之間的差異。之後，你將在進入卷積神經網路（CNN）和其他深度學習演算法之前了解有關多層感知器（MLP）的所有信息。

這是一本很好的初學者書籍，可以很好地解釋這些概念，但是如果你正在尋找更實用的東西，那麼你應該在本綜述中查找其他書籍。

6.神經網路和深度學習（Neural Networks and Deep Learning:Deep Learning explained to your granny）

一本通俗解釋深度學習的書，簡單地說，你的奶奶都可以在本書的幫助下理解深度學習！

神經網路和深度學習：讓你逐步了解神經網路和深度學習的基礎知識，對於那些想要了解這個主題但不一定想深入了解所有數學背景的人來說，這本書是一本很棒的書。

因此，在簡要介紹機器學習之後，你將學習有監督學習和無監督的學習，然後研究諸如神經元、激活函數和不同類型的網路體系結構等。

最後，你將學習深度學習的實際工作原理，深度神經網路的主要類型（包括卷積神經網路），如何給神經網路提供記憶，還討論了可用的各種框架和庫。

7.深度學習基礎：設計下一代機器智能演算法（Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms）

Nikhil Buduma和Nicholas Locascio撰寫的這本書以及旨在幫助你開始深度學習，但其目標是那些熟悉Python並具有微積分背景的人。

儘管如此，深度學習基礎知識確實涵蓋了機器學習和神經網路的基礎，並且教會了如何訓練前饋神經網路。

我認為這本書的亮點之一是它大量使用了Tensorflow，它是Google的深度學習框架，用於構建神經網路。事實上，書中有一整章專門介紹它，這在我看來是一個巨大的優勢。

就本書的其餘部分而言，它涉及一些相當先進的特性，如梯度下降、卷積濾波器、深度強化學習等等。

8.學習TensorFlow：構建深度學習系統的指南（Learning TensorFlow: A Guide to Building Deep Learning Systems）

接下來是一本完全關注Tensorflow的書，本書為Tensorflow提供了一個實用的實踐方法，適用於廣泛的技術人員，從數據科學家到工程師，學生。

通過在Tensorflow中提供一些基本示例，本書開始非常入門，但隨後轉向更深入的主題，如卷積神經網路等神經網路體系結構，如何使用文本和序列、TensorBoard可視化、TensorFlow抽象庫以及多線程輸入管道。

學習TensorFlow的終極目標是教你如何通過保存和導出模型以及如何使用Tensorflow服務API，在Tensorflow中構建和部署適用於生產的深度學習系統。

9.用Python深入學習（Deep Learning with Python）

深度學習with python作為標題建議介紹深度學習使用Python編程語言和開源Keras庫，它允許簡單快速的原型設計。

關於這本書的偉大之處在於作者非常有吸引力，這使得本書非常易讀。正因為如此，人工智慧和深度學習的一些更具挑戰性的方面的布局簡單易懂。

本書還避免了數學符號，而是專註於通過代碼片段（其中有30多個）解釋概念。

在Python深度學習中， 你將從一開始就學習深度學習，你將學習所有關於圖像分類模型，如何使用深度學習獲取文本和序列，甚至可以學習如何使用神經網路生成文本和圖像。

本書是為那些具有Python技能的人員編寫的，但你不必在機器學習，Tensorflow或Keras方面有過任何經驗。你也不需要先進的數學背景，只有基礎的高中水平數學應該讓你跟隨和理解核心思想。

10.深度學習：從業者的方法（Deep Learning :A Practitioner』s Approach）

與本綜述中的其他書不同，本書重點介紹Deep Learning For Java（DL4J），它是用於訓練和實施深度神經網路的Java框架/庫。

現在大多數人工智慧研究都是用Python進行的，因為快速原型開發通常更快，但隨著更多組織（其中許多使用Java）擁抱AI，我們可能會看到更多的AI演算法轉向Java，如DL4J。

本書首先是關於深度學習的初學者書籍，但如果你已經具備Java或深度學習的經驗，那麼你可以直接查看示例。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！