这次AI浪潮大火有三个原因：一是大数据的发展，二是计算能力的提高，三是深度学习的兴起。作为程序员，我们应该对深度学习多加关心。深度学习的概念源于人工神经网络的研究，如果追溯深度学习的概念还是要回到2006年Hinton那篇论文，基于深信度网（DNB）提出非监督贪心逐层训练算法，未解决深层结构相关的优化难题出现的论文。
其实，对于我们人类而言，很多事情都是经过大脑的深层处理模式的解决的，笔者认为，在未来广度学习一定是深度学习的一个沿伸，为什么？因为人类最显著的特征并不是深度学习，而是广度学习。所谓的广度学习是建立在一系列深度学习的基础上的，广度学习通俗的说法既是联想能力。
联想能力对于人类来说是非常重要的能力，一个领域的解决方法扩展到另外一个领域这种思维方式，在我们人类来说是非常普遍的。但是，对于技术来说，这些能力还需要很长的路来走，起码一点，就是深度学习必须达到非常高的程度。因为之后这样深度学习才能真正的应用于强人工智能，强人工智能要求的就是人工智能具有联想能力，一旦强人工智能具备了强人工智能的基础，那么强人工智能一定会从梦想成为现实。
三．深度学习篇：
摘要：文章标题是个很有趣的问题，深度学习作为机器学习的子集，它和普通机器学习之间到底有什么区别呢？作者使用了一种很普通的方式来回答这个问题。
摘要：转型深度学习只需要六个月，本文作者通过自身的经历，为想要转型深度学习的程序猿们提供了一套可行性很高的转型方案。
摘要：机器学习技术为现代社会的许多领域提供了强大的技术支持：从网络搜索到社交网络的内容过滤，再到电子商务网站的产品推荐。机器学习技术正越来越多的出现在消费级产品上，比如照相机和智能手机。
摘要：当你想要进入深度学习这个领域时，需要准备什么呢？本文将会给你解答。
摘要：多层感知器和反向传播算法是什么？他们的工作原理又是怎样的？刚刚入门机器学习的你，是不是还在被这些问题困扰呢？今天我们就通过一些生动形象的例子来向大家介绍神经网络。
摘要：人工神经网络现在非常流行，它应用于图像识别、自然语言处理和自动驾驶汽车等各个领域。作者是一名专业的数据科学家，他写下这篇文章，希望能帮助其他人了解人工神经网络。
摘要：随着深度学习的不断火热，任何一个开发者都想上深度学习这趟快车。本文作者通过自己的实践过程总结了学习经验，现在分享给大家。
摘要：何为卷积神经网络，它来自何方？又要走向何处？跟着作者的节奏，一起来开始探索CNN吧。
摘要：本文介绍如何使用当前最先进的深度学习方法来区分图像中的前景与背景、家具与非家具，并从一张照片中提取出椅子。
摘要：TensorFlow初学者不妨可以看看，相信会有所帮助。
摘要：你对学习使用Keras感兴趣吗?你是否已经对神经网络的工作方式有一定的了解?看看这个精简的七步计划，从新手开始尽快地掌握Keras基础知识。
摘要：什么项目可以使用神经网络？使用神经网络的一般工作流程是什么？本文作者将在本文中一一讲述，并且在文末提供了一个TensorFlow实现的小例子，以便大家的学习入门。
13. Keras快速上手——打造个人的第一个“圣诞老人”图像分类模型
摘要：本文基于Python和Keras搭建的图像分类模型，任务是判断一张图像中是否含有圣诞老人，模型借鉴于典型的Lenet网络，代码讲解详细，适合快速上手。附件福利为作者新书Deep Learning for Computer Vision with Python的部分内容，百度网盘链接为https://pan.baidu.com/s/1hrUNncK。
摘要：序列预测问题曾经被认为是数据科学行业最难解决的问题之一，而LSTM则是解决这类问题的必备法宝。本文作者详细的介绍了LSTM的相关理论知识，并在最后为深度学习爱好者提供了一个小例子切实的体验LSTM。
摘要：采用开源TensorFlow ，创建一个结构简单、功能强大神经网络对图像进行分类。
摘要：本文介绍与最流行的深度学习开源软件——tensor flow相关的的最新研究论文，其中包括很多高级模块的介绍，希望能够帮助到IT界的TF BOYS。
摘要：本文通过一个具体的小例子带你入门Keras图像分类，希望各位能够通过这篇文章能够学习到一些图像分类的基本操作。
摘要：本文将向您介绍对象检测及各种算法，如：Fast R-CNN算法，YOLO算法，SSD算法等。我们将从零基础入手，一直到对象检测最先进的算法，并了解每种算法的具体方法和显著特征。
摘要：本文将讲解如何部署深度学习模型，让你不再对如何快速地将机器学习模型部署到生产中感到困扰。
摘要：深度学习的火热已经深度的影响着文本向量化的发展，各种技术概念的提出与实践应用，也使得文本向量化由原始阶段走向了自主学习阶段。接下来就让我们随着作者的思绪一起去探究哪些技术概念为文本向量化的发展提供了技术支持，以及文本向量化又会朝着一个怎样的结果发展。
摘要：本文作者通过几个小例子带你了解强大的深度学习API，有了这些知识，建立属于自己的深度学习程序将不成问题！
22. 深度学习小技巧（一）：如何保存和恢复TensorFlow训练的模型
摘要：深度学习小技巧掌握：作者通过一个简单的例子详细介绍了如何将训练过程中的深度学习模型保存，然后如何加载。有了这个小技巧，再也不用担心在训练模型中出错了。
23. 深度学习小技巧（二）：如何保存和恢复scikit-learn训练的模型
摘要：深度学习小技巧掌握：作者通过一个简单的例子详细介绍了如何将训练过程中的深度学习模型保存，然后如何加载。有了这个小技巧，再也不用担心在训练模型中出错了。
摘要：编解码模型提供了一种使用循环神经网络来解决诸如机器翻译这样的序列预测问题的模式。通过本教程，你将学会如何用Keras为序列预测问题开发复杂的编解码循环神经网络。
摘要：为了简化卷积神经网络这个概念，本文将试着基于excel针对在开发深度学习模型过程中所做的运算进行解释。
摘要：本文主要介绍了如何进行图像标注构建深度学习，进而深度学习系统的效率。
摘要：比特币市场总是让人难以捉摸。比特币价值突然出现高峰和低谷的原因是什么？我们如何预测接下来会发生什么？那就让我们用数据来做一些事情吧。
28. 用数独游戏来解释循环关系网络（Recurrent Relation Networks）
摘要：数独游戏如何用深度学习攻破？RRN是个什么东东？来看看这篇文章吧，了解一下吧。
摘要：通过学习本教程，你将学会如何开发基于字符的神经网络语言模型，包括：如何针对基于字符的语言建模准备文本，如何使用LSTM开发基于字符的语言模型，如何使用训练过的基于字符的语言模型来生成文本。
摘要：语言模型是许多自然语言处理模型（如机器翻译和语音识别）中的关键元素，本文就两个小例子带你创建简单的语言模型，附加中有源码！
摘要：随着Keras（v2.0.8）最新版本的发布，使用多GPU 训练深度神经网络将变得非常容易，就跟调用函数一样简单!利用多GPU，能够获得准线性的提速。
摘要：如果你刚刚接触TensorFlow并想使用其来作为计算框架，那么本文是你的一个很好的选择，阅读它相信会对你有所帮助。
摘要：为了使开发者更好的理解其开发的神经网络模型，Keras Python深度学习库提供了可视化神经网络模型的工具。在本文中，作者通过一个小例子，详细的介绍可视化的过程和原因。
摘要：本文讲述Net-Trim：无性能损失的深度神经网络凸精简，修剪掉神经网络中93%的无用神经元，但能保证无任何性能损失。
摘要：本文讲解梯度爆炸的相关问题，主要从以下三个方面介绍：什么是梯度爆炸，以及在训练过程中梯度爆炸会引发哪些问题、如何知道网络模型是否存在梯度爆炸、如何在网络模型中解决梯度爆炸问题。讲解比较通俗易懂，给出了一些判断梯度爆炸存在的方法及解决方法。
36. 使用树莓派和YOLO——打造一个“穷人版”深度学习摄像头
摘要：本文主要是根据亚马逊推出的DeepLens原理，通过树莓派以及检测网络模型YOLO搭建一个用于检测鸟儿的智能摄像头，操作起来简单方便，可实践性强。感兴趣的读者可以按照步骤一步步搭建属于自己的一款智能摄像头吧！
37. 程序员的魔法——用Masking GAN让100,000人都露出灿烂笑容
摘要：本文使用Masking GAN来对静态的图像中的人物图像进行处理，使其都露出灿烂笑容，堪称魔法。每个程序员都是一个魔法师，你玩过的魔法是什么呢？欢迎留言秀出各自的魔法。
摘要：如何判断偏差和方差？我们应该如何降低误差？本文将就这两个问题探讨如何使用学习曲线降低这两个主要误差。
摘要：自1994年开始，大家都认为深度神经网络难以训练的原因是由于梯度消失，然而本文作者通过深度线性网络的例子证明网络性能变差的原因并不是梯度消失，而是由于权重矩阵的退化导致模型的有效自由度减少，从而使得深度神经网络难以训练。
摘要：一个小例子带你玩转(TensorFlow)变分自编码器,文中有源码下载！
摘要：生成对抗网络是由两个相互竞争的网络组成的深度神经网络架构。本文对其进行详细讲解，并附上大量相关英文文章链接供参考。
42. Kaggle大赛经验：如何（以及为什么）创建一个好的验证集
摘要：本文作者通过大量的Kaggle比赛记录，总结发现了想要训练一个完美的机器学习模型，自己创建一个验证集的重要性及如何创建的方法。
摘要：什么是人工神经网络？它是如何工作的？在自然语言处理中使用不同类型的人工神经网络到底能达到什么效果？今天我们就通过这篇文章简单地探讨一下这些问题。
摘要：随着人工智能时代的到来，计算能力变得越来越重要。GPU计算已经成为了必然的趋势，对于机器学习爱好者来说要想训练一个高质量的神经网络，使用GPU无疑是最佳选择。
摘要：本篇文章主要介绍如何使用Tensorflow建立循环神经网络来预测股票市场价格。文中有完整代码！
摘要：今天的课程将继续讲解如何用Tensorflow构建一个循环神经网络（RNN）来预测股票价格。本教程尝试通过维度映射（embeddings）来预测多个股票的价格。
摘要：本文介绍的是基于Keras Tensorflow抽象库建立的迁移学习算法模型，算法简单、易于实现，并且具有很好的效果。
摘要：程序员不懂艺术不可怕，会打造AI艺术大师就行啦。本文作者出于自己的兴趣爱好，打造了一个会写歌曲的RNN神经网络模型。文中可以找在代码地址！
摘要：本文作者通过一个实战小例子介绍了什么是GANS，如何使用TensorFlow来实现GANS，对于想要了解GANS的学习者来说，这篇文章绝对入门。
摘要：在这篇文章中，“高效感受野”（ERF）的理念和在卷积神经网络（CNN）上自然产生的视觉有着惊人的关系。
摘要：不同的数据集是如何进行迁移学习的？常见的迁移学习策略有哪些？本文一一进行讲解，并分析在何种情况应该使用哪种策略。
摘要：本文作者介绍了她的一个小实验：创建一个会写诗歌的LSTM网络。
摘要：本文将讲解如何从零开始，有效地处理自然语言问题的指南和技巧：首先解释如何构建机器学习解决方案来解决上面提到的问题。然后转向更细致的解决方案。
摘要：Fastai社区的Jeremy Howard教授的《Practical Deep Learning for Coders（第一部分）》八大最佳实践。
55. 在Win10上安装支持GPU训练的Tensorflow
摘要：本文作者通过他的实际经历手把手教授如何在win10操作系统上安装支持GPU训练的tensorflow。
摘要：XGBoost是一个开发非常快速和准确的梯度增强模型的库，它在Kaggle数据科学竞赛中被大量的kaggle选手选用，其中包括两个以上kaggle比赛的夺冠方案。在本教程中，你将了解如何在macOS上为Python安装XGBoost库。
摘要：作者通过本文概述了 2017 年深度学习技术在 NLP 领域带来的进步，以及未来的发展趋势，并且最后向大家介绍了几个正在兴起的NLP框架和工具。
四．数据科学篇：
摘要：随着科技的不断进步与新设备的不断涌现，数据可视化领域目前正处在飞速地发展之中。本文总结了数据可视化在未来发展的七大趋势。
摘要：会写代码还不够！用数据讲故事——谷歌首席经济学家 Hal R.Varian 博士说，这是未来十年最重要的技能。
摘要：为什么“负担症候群”在数据科学中如此流行，我个人是如何处理这个问题的？应该如何鼓励那些正在受影响的人？本文对此进行了详细的阐述。
摘要：本文将介绍常见的5大聚类算法。
