|
|
|
《深度学习入门：基于 Python 的理论与实现》
本书是深度学习的入门书，深入浅出地剖析了深度学习的原理和相关技术。从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
如果没有深度学习方面的知识，可以从这本书入手。
《Python深度学习》
本书详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。这本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
这本书由浅入深，对初学深度学习的人来说非常友好。如果你对深度学习中的很多概念的理解不够透彻，读了这本书之后，你会有不一样的认识。学习本书，你只需具备基础的python知识，不需要深度学习或者机器学习经验，也不需要高深的数学知识，高中数学水平就能看懂这本了。这是“”无痛"快速入门深度学习的佳作。
《动手学深度学习》
本书同时覆盖了深度学习方法和实践。不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、多方位交互式的深度学习的学习体验。
这本书是写给实战工程师用的，实操性毋庸置疑。
《深度学习》
这本书是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
这本书注重细节，面面俱到，理论严谨，不太适合刚入门的人，建议有一定实操经验之后再来读这本。如果你的英语不差，建议去读英文原版。
《机器学习》
大名鼎鼎的“西瓜书”，内容上涵盖机器学习基础知识的各方面，中文原版著作，语言亲和力好，举例生动具体。
这本书作为机器学习的入门自学书并不太合适，比较学院派，过于侧重理论知识，对于搬砖的码农，不算特别友好，很可能看完后，还是不知道要怎么办；但是对于进阶型选手，希望改进网络、优化网络、深入思考网络原理的同学，再合适不过了。
《统计学习方法》
朴实无华的书名，把AI或深度学习的本质，直接暴露给了读者。是的，AI其实就是统计学习方法。
本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。
当你看到这么多的数学名词，瞬间头大了，你么本书与你无缘，如果你只想简单地调下参数，那也可以不用看这本。如果你想深入研究AI，这是一本不错工具手册，放在案头，需要对某一部分深入钻研的时候，再挑对应的章节仔细读。 |
|
发表于 2021-1-22 14:39:17
