推荐-2018年最值得读的12本深度学习相关的书
由ypyu创建，最终由ypyu 被浏览 25 用户
推荐12本深度学习相关的书籍，大家可以根据介绍，选择适合自己的书来读。
《Hands-On Machine Learning with Scikit-Learn and TensorFlow》
首先，在我看来，这是12本书中最好的一本书，它采用了一种“动手”的方法，利用流行的机器学习库Scikit - Learning和Google的Tensorflow进行深度学习实战。和许多“深度学习”相关的书一样，比如《Deep Learning》，本书中也有很多方程式，但它比《Deep Learning》少得多，可读性也更强。作者试图用一种几乎任何人都能理解的方式来解释复杂的问题，这在我看来是一大优势。
我喜欢这本书的原因是，它会带你从头到尾完成一个完整机器学习项目。因此，你可以看到使用真实数据的感觉，如何可视化数据以获得直观感觉，以及更重要的是，如何为机器学习算法准备数据。在本书的后面，你将看到著名的MNIST分类器，模型是如何训练的，以及一些基本的机器学习分类器，如SVMs、决策树、随机森林等。所有这一切都是为了本书的第二部分做准备，这本书涉及Tensorflow(包括安装)和一个基本的神经网络和深层神经网络。
我认为这本书的结构非常好，并以正确的顺序介绍了主题。尽管这本书有很多公式，但书中的思想和具体例子都得到了很好的解释。
《Deep Learning》
好的，接下来就是《Deep Learning》。可能是这12本书中最全面和完整的书。这本书是由这一领域的三位专家，Ian Goodfellow、Yoshua Bengio和Aaron Courville写的。这本书也是这12本书中唯一得到企业家Elon Musk认可的书。
这本书被许多人认为是一本深度学习领域的圣经，这是正确的——它把多年来值得学习和专注研究的东西集中在一本书里。这本书并不是为胆小的人写的，可能更适合睡前阅读，因为它充满了方程式，而且是以典型的教科书方式写的，所以不是以最有趣的方式写的。然而，它确实适合于初学者，并介绍了基本数学，如线性代数，概率论，然后进入机器学习基础，最后深度网络和深度学习。因此，如果你是一个有抱负的学生，希望掌握这门学科，并深度学习研究，或者即使你想进行深度学习教学，那么这本书肯定会让你受益。这可能是目前关于这个主题最全面的书。
《Deep Learning for the Layman》
我之所以把这本书包括在内，是因为正如书名所示，这本书是为一般读者写的。对于外行人来说，《Deep Learning for the Layman》首先介绍深度学习基础，特别是它是什么，以及为什么需要它。本书的下一部分解释了监督学习、非监督学习和强化学习之间的区别，并介绍了分类和聚类等主题。在本书的后面部分，将讨论人工神经网络，包括它们是如何构建的，以及构成网络中每个层的部分。最后讨论了深度学习，包括卷积神经网络，它构成了目前使用的许多计算机视觉算法的一部分。我把这本书看作是深度学习的入门书，并了解其中涉及的概念。虽然实际上，我不确定这本书会有什么好处，但如果你想要一本简明的英文指南，同时又能寻求一点突破，那么这本书可能适合你。
《Make Your Own Neural Network》
严格来说，这并不是一本“深度学习”有关的书，但这本书将带你踏上一段完全理解神经网络及其工作原理的旅程，这将有助于你理解深度神经网络。在这本书里，你将被带领，通过神经网络的数学公式，并将使一个初学者完全理解神经网络是如何工作的。不仅指导你了解它们的工作方式，还将基于Python，实现两个神经网络示例，这将有助于加深你对该主题的理解。本书从机器学习相关的高级概述开始，然后深入研究神经网络的细节。所涉及的数学并不超出中学水平，但包括微积分的一小部分的介绍，解释的方式也是让尽可能多的人能理解。搭建自己的神经网络有两个部分，第一部分是关于思想和理论，第二部分是比较实用的部分。 在第二部分中，你将学习Python编程语言，并逐步独立建立能够识别手写数字的神经网络。作为奖励，你还将学习如何让你的神经网络运行在Raspberry Pi环境上！这是一本非常棒的书，对于那些希望了解基本神经网络的本质的人来说，这可能是这12本书中一个很好的先决选择。
《Deep Learning for Beginners》
《Deep learning for beginners》并不太关注深度学习的数学公式，而是使用图形来帮助你理解深度学习的基本概念和算法。本书采用了一种不同于其他许多书的写作的方法，提供了深度学习算法如何工作的简单示例，然后逐步构建这些示例，并逐步介绍算法中更复杂的部分。这本书的目标读者是多种多样的，从计算机科学的新手，到数据科学的专业人员和导师，他们希望以最简单的方式向学生解释这一主题。在本书的结构方面，你将首先学习人工神经网络的基础知识，并了解机器学习和深度学习之间的区别。接下来，你将学习所有关于多层感知器( MLP )的知识，然后再学习卷积神经网络( CNN )和其他深度学习算法。这是一本适合与初学者的书，很好地解释了这些概念，但是如果你正在寻找一个更实用的东西，那么你可能应该看看其他的书。
《Neural Networks and Deep Learning: Deep Learning explained to your granny》
一本书，解释事情如此简单，以至于你的奶奶都可以理解，在我看来，必须推荐给大家！《Neural Networks and Deep Learning》将带你逐步了解神经网络和深度学习的基础知识，对于那些想了解这个主题但不一定想深入了解它背后的所有数学知识的人来说，这是一本很好的书。因此，在简要介绍了机器学习之后，你将了解有监督和无监督学习，然后深入研究神经元、激活函数和不同类型的网络体系结构等内容。最后，你将了解深度学习实际上是如何工作的，深度神经网络的主要类型是什么(包括卷积神经网络)，如何赋予神经网络Memory，并讨论了各种可用的框架和库。
《Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms》
这本书由Nikhil Buduma和Nicholas Locascio的所写，旨在针对那些熟悉Python和有微积分背景的人，开始学习深度学习，。尽管如此，深度学习的基础知识确实涵盖了机器学习和神经网络的基础，并教你如何训练前馈神经网络。在我看来，这本书的亮点之一是它大量使用了Tensorflow，这是谷歌构建神经网络的API。事实上有整整一章专门讨论这个问题，在我看来这是一个很大的加分点。在本书的其余部分，它讨论了一些相当先进的特点，如梯度下降问题，卷积滤波器，深度强化学习等。然而，这本书的包含了一些很好的图表，尽量少设计数学相关的东西，也有一些优秀的解释。
《Learning TensorFlow: A Guide to Building Deep Learning Systems》
下一步是一本书，重点放在Tensorflow上一个端到端的指南。这本书从实践的角度来讲解Tensorflow，面向从数据科学家到工程师、学生和研究者等广泛的技术受众。这本书一开始讲得很慢，提供了一些Tensorflow的基本示例，但随后转向更深入的主题，如卷积神经网络等神经网络体系结构、如何处理文本和序列、Tensorboard可视化、Tensorflow抽象库和多线程输入管道。《Learning TensorFlow》的最终目标是教你如何通过保存和导出模型以及如何使用TensorFlow服务API在TensorFlow中构建和部署深度学习系统。
《Deep Learning with Python》
《Deep learning with python》(如标题所示)介绍了使用Python做为编程语言，基于开源Keras库来进行深度学习研究，该库可以轻松快速地进行原型开发。这本书最大的优点是非常引人入胜，这使得这本书非常易读。因此，人工智能和深度学习的一些更具挑战性的方面被简单地列出，这使得理解变得更容易。这本书也避免大量使用数学符号，着重于通过代码片段来解释概念(其中有30多个代码片段)。在《Deep learning with python》中，你将从一开始就了解深度学习，学习所有关于图像分类模型、如何对文本和序列使用深度学习等知识，甚至还将学习如何使用神经网络生成文本和图像。这本书是为那些有中级Python技能的人写的，但是你不需要有任何以前的机器学习经验，Tensorflow或Keras。哦，你也不需要一个高等数学背景，仅仅是基础高中水平的数学应该让你跟随和理解核心思想。
《Deep Learning: A Practitioner's Approach》
我名单上的第十本书是《Deep Learning: A Practitioner's Approach》。与这12本书中的其他书籍不同，本书侧重于将深度学习与Java结合 ( DL4J )，这是一个用于训练和实现深层神经网络的Java框架/库。现在，大多数人工智能研究都是在Python中进行的，因为快速原型制作通常更快，但是随着更多的组织(其中许多组织使用Java )采用人工智能，我们可能会看到更多的人工智能算法转向像DL4J这样的Java框架。这本书首先是一本关于深度学习的入门书，但是如果你已经有Java或深度学习的经验，那么你可以直接去看看例子。如果你没有深度学习的经验，但有很强的Java经验，那么你应该从头到尾阅读它。如果你根本不懂Java，那么我强烈建议你读一本Java初学者的书。通过阅读这本书，你将了解机器学习的一般概念，特别是关于深度学习。你将了解深层神经网络是如何从基本神经网络演变而来的，还将了解一些深层网络体系结构，如卷积和递归神经网络。如果你熟悉Hadoop和Spark，那么你将能够了解如何在DL4J中本机使用这些技术。
《Pro Deep Learning with TensorFlow》
本书将以实践的方式教你如何使用Tensorflow，使你能够从头开始学习深度学习，快速掌握Tensorflow API，并了解如何优化各种深度学习网络体系结构。
《pro Deep Learning》将帮助你培养所需的数学知识和直觉，以调整现有的神经网络结构，甚至发明全新的体系结构来挑战最先进的网络结构本书中的所有代码都以iPython笔记本的形式提供，并且在过去使用过Tensorflow之后，我发现在开发过程中使用iPython笔记本非常有用。本书面向数据科学家和机器学习专业人员、软件开发人员、研究生和开源爱好者，将为你提供数学基础和机器学习原理，使你能够开展研究，并在生产中进行部署等更深入的解决方案。
《TensorFlow for Deep Learning》
在撰写本文章时，《TensorFlow for Deep Learning》尚未发布，但可以预订。这本书将通过实际例子从头开始教你深度学习的概念，是为那些有构建软件系统经验，但没有深度学习体系结构经验的开发人员设计的。因此，本书将向你展示如何设计能够执行目标检测、翻译人类语音、分析视频甚至预测潜在药物性能的系统！你将深入了解TensorflowAPI、如何在大型数据集上训练神经网络以及如何将Tensorflow与卷积网络、递归网络、LSTMs和强化学习结合使用。这本书需要一些基本线性代数和微积分的背景知识，但这是一本实用的书，旨在教你如何创建可以学习的系统。
全文总结这就是我们，目前最好的一些深度学习书籍。人工智能，特别是深度学习，已经非常有用，并且已经用这种技术取得了非凡的成就。然而，它仍处于初级阶段，许多组织尚未接受它。但这为那些愿意学习这门学科的人提供了机会。深度学习有能力改变许多行业，还有很多创业的想法还没有被想象出来。我觉得我们才刚刚开始革命。作为一名深度学习研究人员，我有一些深度学习的经验，但我知道我的许多同事尚未学习这个主题。那么，为什么不借此机会脱颖而出，尽你所能学习有关深度学习的知识，或许你可以把下一个大型人工智能初创企业带到硅谷？即使你没有创建一个创业公司，这是一个了不起的经历以附加到任何简历中。