解决日常“书荒”：深度学习书籍推荐了解下！

点击上方关注，All in AI中国

作者——Jyoti Nigania

书籍对于学习者来说是非常有用的资源，每一个学习者都在寻找最好的书籍来获得全新的视角，在这里我们收集了由有经验的专业人士推荐的流行的深度学习书籍。

以下是一些流行的深度学习书籍的列表，这些书籍可以帮助专业人士了解这些书籍，并能很容易地从这些书中获得新的知识：

1.《Deep Learning》 ，作者Goodfellow, Bengio, Courville（链接，https://www.amazon.com/gp/product/0262035618/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=0262035618&linkId=160f03fc387166681f28ecb014effa2c）

本文介绍了相关数学和概念背景，包括线性代数、概率论和信息论、数值计算和机器学习等相关概念。它描述了业界从业者使用的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实用方法；它还考察了自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学和电子游戏等应用。最后，本书提供了多种的研究视角，涵盖了线性因子模型、自动编码器、结构化概率模型、蒙特卡罗方法、近似推理和深度生成模型等理论主题。

2. 《Deep Learning with Python》，作者Francois Chollet（链接：https://www.amazon.com/gp/product/1617294438/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1617294438&linkId=e617ae088aa586b65cc2e9cf81f892df）

《Deep Learning with Python》介绍了如何使用Python语言和功能强大的Keras库进行深度学习。这本书由Keras的创造者、谷歌人工智能研究员Francois Chollet编写，这本书通过直观的解释和实际的例子帮助你理解。你将深入了解具有挑战性的概念和在计算机视觉、自然语言处理和生成模型中的应用实践。当你完成这些内容的学习之后，你将有足够的知识和实践技能应用到你自己的项目中。

3.《Hands-On Machine Learning with Scikit-Learn and TensorFlow》，作者Aurelien Geron（链接:https://www.amazon.com/gp/product/1492032646/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1492032646&linkId=afb3b56e446fb6d25712434a379e2dc7）

通过使用具体的示例、理论和两个可用于生产的Python框架，scikit-learn和TensorFlow的作者Aurelien Geron帮助你直观地理解构建人工智能系统的概念和工具。你将学习一系列的技术，从简单的线性回归到深入的神经网络。通过每一章的练习来帮助你应用你所学到的知识，你所需要的就是开始编程的经验。

4. 《TensorFlow Deep Learning Cookbook 》，作者 Antonio Gulli和Amita Kapoor(链接：https://www.amazon.com/gp/product/1788293592/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1788293592&linkId=c3cf2b95878c5feed6ac6ad68981fa61)

深度神经网络(DNNs)在计算机视觉、语音识别和自然语言处理领域取得了许多成功。整个世界都对网络是如何深刻地变革人工智能充满了兴奋。而这本书的出现，更是对人类的一大鼓舞，它将带你从DNN理论领域到实际实现，以解决现实生活中的人工智能领域的问题。

5. 《Deep Learning: A Practitioners Approach 》，作者 Josh Patterson 和Adam Gibson（链接：https://www.amazon.com/gp/product/1491914254/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1491914254&linkId=a4d9fc2a0e6eca62ed9bea7fa25cdb74）

作者Josh Patterson 和Adam Gibson在介绍他们开发的生产类工作流的开源Deeplearning4j(DL4J)库之前，提供了关于深入学习的理论。通过实际示例，你将学习如何使用DL4J在SPark和Hadoop上训练深度网络体系结构以及运行深度学习工作流的方法和策略。

6.《 Make Your Own Neural Network》 ，作者Tariq Rashid（链接：https://www.amazon.com/gp/product/1530826608/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1530826608&linkId=4d62a3d5b0f35b9b031db70f725d67d3）

通过对神经网络手把手式的教学，教你如何使用Python计算机语言开始自己在深度学习领域的旅程。神经网络是深度学习和人工智能的一个关键要素，今天的人工智能已经有了令人印象深刻的成就。然而很少有人真正了解神经网络是如何工作的。本指南将带你踏上一段轻松愉快的旅程，从非常简单的想法开始，逐步建立对神经网络如何工作的理解。

7.《Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms》，作者Nikhil Buduma（链接：https://www.amazon.com/gp/product/1491925612/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=1491925612&linkId=9f5efc212ffa47a21a7479fbff22f000）

随着21世纪初神经网络的复兴，深度学习已经成为一个非常活跃的研究领域，为现代机器学习铺平了道路。在这本实用的书中，作者Nikhil Buduma将提供了一些例子和清晰的解释来指导你理解这个复杂领域的主要概念。

谷歌、微软和脸书等公司正在积极发展内部深度学习团队。然而，对于我们其他人来说，深度学习仍然是一个相当复杂和难以掌握的课题。如果你熟悉Python，有微积分背景，对机器学习有基本的了解，这本书会让你更好的入门。

8.《Neural Network Design (2nd Edition)》，作者Martin T Hagan, Mark H Beale, 和Orlando De Jesus（链接：https://www.amazon.com/gp/product/0971732116/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=0971732116&linkId=6f4ff3438aea81bac6c957cbfd639fd1）

这本书，由MATLAB神经网络工具箱的作者编写，提供了对基本神经网络体系结构和学习规则的清晰和详细的介绍。在本书中，作者强调了主要神经网络、训练神经网络的方法以及它们在实际问题中的应用。具有广泛的训练方法为前馈网络(包括多层和径向基网络)和递归网络。除了反向传播算法的共轭梯度法和Levenberg-Marquardt变化外，本文还介绍了贝叶斯正则化等等，这保证了训练网络的泛化能力。结合网络和竞争网络，包括特征图和学习矢量量化，通过简单的构造块进行解释。

9. 《Neural Networks for Pattern Recognition 》 ，作者Christopher M. Bishop（链接：https://www.amazon.com/gp/product/0198538642/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=0198538642&linkId=44360a03df2efa82d5d4bbbed3b66dbc）

这是第一次从统计模式识别的角度对前馈神经网络进行综合处理。在介绍了基本概念之后，本书研究了概率密度函数的建模技术，以及多层感知器和径向基函数网络模型的性质和优点。还讨论了各种形式的错误函数、误差函数最小化的主要算法、神经网络中的学习和泛化以及贝叶斯技术及其应用。设计成本书，有100多个练习。这本书对任何涉及神经计算和模式识别领域的人而言都是有益的。

10.《Python Machine Learning: Machine Learning and Deep Learning》，作者 Sebastian Raschka 和 Vahid Mirjalili（链接：https://www.amazon.com/gp/product/B0742K7HYF/ref=as_li_qf_asin_il_tl?ie=UTF8&tag=marktechpost-20&creative=9325&linkCode=as2&creativeASIN=B0742K7HYF&linkId=e994afd3bc05299d5b36fe173e79a875）

机器学习正在"吞噬"软件世界，现在深入学习正在不断扩展机器学习的边界。通过阅读由Sebastian Raschka 和Vahid Mirjalili出版的畅销书《Python Machine Learning》的第二版，你将了解并工作在机器学习、神经网络和深度学习的前沿。这本书使用了最新的Python开源库，提供了创建机器学习、深入学习和现代数据分析所需的实用知识和技术。