介绍
入门一个学科需要有好的教程，本文将介绍人工智能两个重要领域的优秀书籍
机器学习书籍推荐
机器学习实战
在机器学习领域要推荐的是机器学习实战这本书
如果你是是AI初学者，正在寻求一个切入点，那么强烈建议你把本书当作入门教材。
如果你是AI工程师，需要使用机器学习或者深度学习算法解决实际问题，可将本书当作实战手册，它可以让你了解深度学习的最新研究成果和实用技巧。
以下是本书的目录结构：
第一部分 机器学习的基础知识
- 机器学习概览
- 端到端的机器学习项目
- 分类
- 训练模型
- 支持向量机
- 决策树
- 集成学习和随机森林
- 降维
- 无监督学习技术
神经网络与深度学习
- Keras人工神经网络简介
- 训练深度神经网络
- 使用TensorFlow自定义模型和训练
- 使用TensorFlow加载和预处理数据
- 使用卷积神经网络的深度计算机视觉
- 使用RNN和CNN处理序列
- 使用RNN和注意力机制进行自然语言处理
- 使用自动编码器和GAN的表征学习和生成学习
- 强化学习
- 大规模训练和部署TensorFlow模型
深度学习书籍推荐
深度学习领域要推荐的书是《深度学习Deep Learning》
这本书名叫《深度学习 Deedp Learning》，但它有个更响亮的名字，叫花书。
因为书本的封面是由艺术家Daniel Ambrosi 提供的中央公园杜鹃花步道梦幻景观，所以被誉为“花书”。
这本书被誉为深度学习领域的圣经。原版作者Ian Goodfellow、Yoshua Bengio和Aaron Courville是深度学习领域的顶级专家，他们恰好是老中青三代专家的结合。
Yoshua Bengio 是深度学习领域奠基人，可以认为是老一辈深度学习专家；Ian Goodfellow 以 GAN（生成对抗网络）而闻名，是比较活跃的新生代科学家；Aaron Courville 则为深度学习研究中流砥柱。本书基本可以定位为一本工具书。
在做深度学习任务的时候，遇到不懂的算法原理，可以去书中翻阅，书里对一些算法原理的讲解还是很详细的。
以下是书本的目录结构：
第一部分 应用数学与机器学习基础
- 线性代数
- 概率论与信息论
- 数值计算
- 机器学习基础
第二部分 深度学习：现代实践
- 深度前馈网络
- 深度学习中的正则化
- 深度模型中的优化
- 卷积网络
- 序列建模：循环和递归网络
- 实践方法论
- 应用
第三部分 深度学习研究
- 线性因子模型
- 自编码器
- 表示学习
- 深度学习中的结构化概率模型
- 蒙特卡罗方法
- 直面配分函数
- 近似推断
- 深度生成模型
书籍电子版可通过搜索“NowlAI”或扫描下方二维码关注公众号回复“人工智能电子书”获取
