深度学习最佳图书推荐(2019版)-阿里云开发者社区

开发者社区> 人工智能> 正文

深度学习最佳图书推荐(2019版)

简介: 爱学习的朋友们注意啦,你的藏书要更新啦!

e4593aef447e73b2d47a4e7e667fde96a208e1f2

你是否希望深入学习深度学习?如果你有这方面的意愿,请不要辜负我的整理工作,这是2019年最佳机器学习和深度学习书籍清单:

·Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville

·Grokking Deep Learning by Andrew W.Trask

·Deep Learning with Python by Francois Chollet

·Hands-On Machine Learning with Scikit-Learn and TensorFlow by Aurélien Géron

·Reinforcement Learning: An Introduction (2nd Edition) by Richard S. Sutton, Andrew G. Barto

·Deep Reinforcement Learning Hands-On by Maxim Lapan

·Learning From Data by Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

·The Book of Why by Judea Pearl, Dana Mackenzie

·Machine Learning Yearning by Andrew Ng

·Interpretable Machine Learning by Christoph Molnar

·Neural Networks and Deep Learning by Michael Nielsen

Deep Learning

c95b4fba4a3637c2fa4476c1a1a2e9f781cad206

        深度学的封面

作者Ian GoodfellowYoshua BengioAaron Courville

在哪里可以得到它在这里免费阅读

补充:你还可以获得带幻灯片练习讲座github repo)。

类别:深度学习。

这本书被广泛认为是深度学习的“圣经”,它由三位专家撰写,其中包括该领域的教父级人物,这是你能找到的关于深度学习最全面的书。这本书非常具有技术性,但作者在前面做了大量的基础介绍。

书摘:

深度学是一种机器学形式,它使算机能经验中学,并根据概念次来理解世界。因为计算机从经验中收集知,所以不需要人类计算机操作算机所需的知。概念的构允许计算机通简单的概念来构建它的概念本书介绍了深度学习的广泛主题。

本书提供大量的数学介绍,包含线性代数、概率和信息,数值计算和机器学中的相关概念。它描述了内从者使用的深度学,包括深度前、正化、化算法、卷、序列建模和一些用方法;剖析了自然理、识别算机视觉、在线推荐系、生物信息学和视频用。最后,本提供了研究角:涵盖线性因子模型、自动编码器、表示学构化概率模型、蒙特卡方法、分区函数、近似推理和深度生成模型等理

Grokking Deep Learning

404af8b70d0126243705097baf6f73d313d9e7b6

“Grokking Deep Learning”的封面

作者Andrew W. Trask 

补充:你可以Github找到该书的代码

类别:深度学习。

关于读者:适用于具有高中数学和中级编程技能的读者。

Andrew TraskOpenMined背后的力量OpenMined是一个开源社区,专注于研究、开发和推广用于安全,隐私保护的人工智能的工具。这可能是你了解深度学习如何在幕后工作的最佳方法。

书摘:

Grokking Deep Learning教你从开始构建深度学经验丰富的深度学习专Andrew Trask在他引人入格中向你展示了引擎盖下的科学,因此你可以自己研究训练的每一个细节。你将只使用Python及其数学支持NumPy训练自己的神,其中包括:看和理解图​​像、将文本翻成不同的言、甚至像莎士比写作!

Deep Learning with Python

d30b5f7777b47e27db85f2b6781f4a57812729cd

Python深度学的封面

作者Francois Chollet

补充:你可以Github找到伴随代码

类别:深度学习。

关于读者:读者需要中级Python技能,可以没有使用Keras,TensorFlow或机器学习的经验。Keras发明家带你深度学习的迷人的迷宫,与Grokking Deep Learning类似,本书在理论和编码之间取得了适当的平衡。

书摘:

使用Python深度学使用Python语言和强大的Keras库引深度学领域。本Keras创建者和Google AI研究FrançoisChollet撰写,通的解实际例子构建你的理解。你将在算机视觉、自然理和生成模型中用具有挑性的概念和践。当你完成,你将有在目中用深度学的知践技能。

Hands-On Machine Learning with Scikit-Learn and TensorFlow构建智能系的概念,工具和技(第2版)

ec741fce2b41d332e62221c7573259a5d66a328f

学习机器学习与Scikit-LearnKerasTensorFlow:构建智能系的概念,工具和技 - 第一版和第二版的封面

作者AurélienGéron

补充:你可以Github找到书中代码

分类:机器学习和深度学习;

Aurélien作为一个伟大的思想交流者,非常擅长使用例子来简化复杂的知识点。在学习本书的过程中,你可以很快的将知识应用实际生产中,要了解他的激情和沟通风格,请查看他的YouTube频道。

书摘:

最近的一系列突破,深度学了整个机器学习领域的发展。在,即使对这项几乎一无所知的程序也可以使用简单有效的工具来实现从数据中学的程序。

这本畅销书的更新版本使用了具体的例子,最小的理论和两个生产就绪的Python框架-Scikit-LearnTensorFlow 2.0,这样可以更好的帮助你直地理解构建智能系的概念和工具。从者将学一系列可以在工作中快速使用的技:第1部分使用Scikit-Learn来介基本的机器学,例如简单线性回。第2部分已经进行较大篇幅的更新,采用KerasTensorFlow 2.0导读者使用更先的机器学方法:深度神。通每章的练习来帮助你用所学知,你只需要有经验即可开始使用。

第二版的新功能:更新了TensorFlow 2.0的所有代、介了高Keras API、新的展范包括TensorFlowData APIEager ExecutionEstimators API时间序列、嵌入等等。

Reinforcement Learning: An Introduction (2nd Edition)

4b368b543b0df1236751a70c1fb7e52692af47c6

强化学习:简介(第2版)”封

作者Richard S. SuttonAndrew G. Barto

补充:你可以免费阅读第2版的最终草稿

分类:机器学习,强化学习,深度学习,深度强化学习,人工智能。

如果Deep Learning被认为是深度学习的圣经,那么这本杰作可以获得强化学习的称号。如果你想在RL开始,这就是入口。就如你所想象的那样,这是一个非常技术性的书。我建议你在每章后休息一下,思考并实践一下其中的算法。  

书摘:

强化学习是人工智能中最活跃的研究领域之一,它是一种计算学习方法,通过这种方法,代理人试图在与复杂、不确定的环境进行交互时最大化其获得的奖励总额。在强化学习,理萨顿和安德巴托提供了关于该领域关思想和算法的清晰且简单明。

第二本与第一版一重于在线算法,在阴影框中置了更多的数学材料。第一部分涵盖了尽可能多的化学,本部分介多算法都是第二版的新算法,包括UCBExpected SarsaDouble Learning。第二部分将些想法展到函数逼近,其中涉及人工神和傅里叶基等主,并且提供了梯度策略方法的理。第三部分是有关于化学与心理学和神科学的关系的新章以及一个新的研究章,包括AlphaGoAlphaGo ZeroAtariIBM Watson投注策略,最后一章讨论化学对未来社会的影响。

Deep Reinforcement Learning Hands-On

e6c52203f1730d9d5aa1bf82feaa021279811d5b

 “手深层强化学的封面

作者Maxim Lapan

补充:你可以Github找到书中代码

分类:机器学习,强化学习,深度学习,深度强化学习,人工智能。

本书通过平衡理论与编码实践,为RL提供了一种实用的方法。阅读这本书的时候,你需要有大量的基础知识才能更好的理解算法背后正在发生的事情,这是我认为在RL领域最好的实用书籍。

书摘:

强化学习(RL)正在与深度学DL)相合,在训练代理人以似人的方式解决复杂问题方面取得了前所未有的步。谷歌利用算法击败了著名的Atari街机游戏玩家,显示了该领域的发展潜力,研究人正在快速造新的想法。

Deep Reinforcement Learning Hands-On是最新DL工具及其局限性的合指南。在将它们应用于实际环境之前,你将接触包括交叉和梯度策略的方法。本书将RL的基你提供编码智能学代理的专业,以承担一系列巨的实际。了解如何在网格世界环境中实施Q-learning,教你的代理购买和交易股票,并了解自然言模型如何推聊天机器人的繁荣。

Learning From Data

b4a059c310868f2bd592f901acadc542bb4cadeb

从数据中学的封面

作者Yaser S. Abu-MostafaMalik Magdon-IsmailHsuan-Tien Lin

类别:机器学习。

补充:你可以找到本书的讲座视频

如果你想学习机器学习的关键概念,那么你一定会喜欢这本书,因为它易于理解,简单而直观,它可能是Andrew Ng课程开始之后的最佳资源!

书摘:

提供了机器学的完整介,书中的技术被广泛用于工程,科学,金融和商。本机器学的短期程而设计的,在十多年的探索后,作者已出了每个学生应该知道的核心主。此外,者可以免费访问作者根据机器学的当前趋势更新的在线电子章,例如深度学和支持向量机。作者希望者可以通过阅读书籍来了解的所有基。从数据中学具有独特的理迹,在本中,作者平衡了理践、数学和启式:建立学概念框架的理,以及影响实际统性能的启式方法。因为本书的作者是加州理工学院(Caltech),斯勒理工学院(RPI)和国立台湾大学(NTU)的教授,所以非常强调识的学习

The Book of Why

d7dbfc536f1cc6f02c9e75e626083605e97d04f6

“The Book of Why”的封面

作者Judea PearlDana Mackenzie

分类:数据科学,人工智能和机器学习。

作者介绍了克服ML/DL模型曲线拟合的因果关系框架及其对实现人工智能的路径的看法。如果你正在寻找能让你思考的材料,这本书一定可以成为首选!

书摘:

一个多世以来,科学家都在高呼相关性不是因果关系!终止了很多人对因果关系的探索。而今天由朱迪·及其同事起的因果革命,在强大的科学基上开启了他们的因果关系研究。他解了我如何能知道简单的事情,比如是下雨以及如何回答难题,比如物是否治愈了疾病。他的工作使我知道一件事是否会致另一件事,还带领我探索在的世界和可能存在的世界。它向我展示了人思想的本和人工智能的关

Machine Learning Yearning

bac901a7dc84d594aecd6516d6db28d1dba3f640

机器学习渴望”的封

作者Andrew Ng

补充:你可以免费获得最新的草稿

类别:机器学习,深度学习,战略与规划。

这本书是Andrew在百度和谷歌大脑领导深度学习团队时获得的多年实践经验。这是为数不多的资源之一,它向你展示如何设置你的ML/DL项目以帮助你有效地在项目建设中少猜坑。

书摘:

人工智能正在改众多行。机器学渴望Andrew Ng博士目前正在撰写的免费书籍,它教你如何构建机器学习项目。本的重点不是教你ML算法,而是关于如何使ML算法工作。阅读完本书后,你将能够

- 优先考虑AI项目最有前景的方向;

- 诊断机器学习系统中的错误;

- 在复杂环境中构建ML,例如不匹配的训练/测试集;

- 了解何以及如何用端到端学迁移和多任

Interpretable Machine Learning-制作黑箱模型的指南可解

546fbf9875c165cca69c233029f31c2cc9e133ad

可解的机器学-制作黑箱模型可解指南的封面

作者Christoph Molnar

补充:你可以在线免费阅读这本书

类别:机器学习。

可解释性正成为深度学习中需要解决的热门话题。揭秘黑盒子仍然是深度学习的最活跃研究领域,但幸运的是,对于机器学习模型,我们实际上有更多可用的工具。

书摘:

机器学在改进产品,流程和研究方面具有巨大潜力。但计算机通常不解释为何这样预测是使用机器学的障碍,而本书就是针对关于使机器学模型及其决策可解的最佳素材。

在探索可解性的概念之后,你将学习简单可解模型,例如决策、决策规则线性回。本书后面的章节侧重于一般模型不可知方法,用于黑盒模型,如特征重要性和累局部效,并用Shapley值和LIME个体预测

所有解方法都得到了深入的解和批判性的讨论:他如何在背后工作?他点和缺点是什么?他出如何解?本将使你能够选择并正确用最适合你的机器学习项目的解方法。

书侧重于表格数据(也称关系数据或构化数据)的机器学模型,而不是算机视觉和自然理任

Neural Networks and Deep Learning

d4e3930023ddbe54ad3151c26e2e750d3157f28e

作者迈克尔尼尔森

补充:你可以你可以免费阅读,并Github找到本书的代码

分类:机器学习,深度学习。

书摘:

是有史以来明的最美程范例之一。在传统程方法中,我诉计算机做什么,将大问题分解成算机可以行的多小问题,并且需要精确定的任。相比之下,在神中,我不告诉计算机如何解决我问题。相反,它从察数据中学,找出自己解决问题的方法。

如今深度神和深度学算机视觉识别和自然理等多重要领域中都取得了突出的成,它被谷歌,阿里巴巴和Facebook等公司大模部署。的目的是帮助你掌握神的核心概念,包括最前沿的深度学。完成本后,你将能够使用神经网络和深度学习的代码来解决复杂的模式识别问题。

本文由阿里云云栖社区组织翻译。

文章原标题《best-deep-learning-books-updated-for-2019》作者:floydhub

译者:虎说八道,审校:袁虎。

文章为简译,更为详细的内容,请查看原文

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章