摘要：?AI人才缺口巨大？如果你想成為AI革命中的一員，那么你就必須要學習深度學習，看看這12本書，它們將成為你的利器！

我相信你應該知道人工智能，尤其是深度學習在過去5年左右取得了不錯的進步。?

深度學習是由少數(shù)研究人員開始的一個相對較小的領域，現(xiàn)在已經(jīng)變得如此主流，以至于我們現(xiàn)在每天使用的應用程序和服務，現(xiàn)在都在使用深度學習來執(zhí)行不久前難以想象的任務。

但深度學習并不新鮮，從20世紀40年代開始，Warren McCulloch和Walter Pitts就基于數(shù)學和算法創(chuàng)建了神經(jīng)網(wǎng)絡的計算模型。

然而，“深度學習”在不久前才開始流行起來，當時Geoffrey Hinton和Ruslan Salakhutdinov發(fā)表了一篇論文，??展示了一個多層神經(jīng)網(wǎng)絡如何可以一次預先訓練一層。

在2009年，人們發(fā)現(xiàn)，使用足夠大的數(shù)據(jù)集，你實際上并不需要預訓練，并且錯誤率可能因為數(shù)據(jù)的增加顯著下降。

2012年，Google的Deep Learning系統(tǒng)實現(xiàn)了人類發(fā)現(xiàn)貓的能力。

2016年，Google的阿爾法狗打敗了李世石，人工智能大火。

2017年，Google的DeepMind構(gòu)建了一種名為AlphaGo?zero的算法，該算法可以自行掌握?下圍棋，并取得了不錯的成績。

但這僅僅是一個開始。隨著數(shù)據(jù)集越來越大，處理器速度越來越快，以便能夠訓練更多的海量數(shù)據(jù)，深度學習的能力將不斷提高。

所以，如果你想成為這場革命的一部分，現(xiàn)在無疑是最佳的時間進入深度學習領域了。

隨著GPU和大數(shù)據(jù)集一應俱全，學習深度學習的機會巨大。這樣做將使你能夠訓練機器執(zhí)行一些令人難以置信的任務，例如面部識別，癌癥檢測，甚至是股市預測。

這就是這些書能派上用場的地方，因為它們可以讓你從零開始學習深度學習。本綜述中的每一本書都有各自的優(yōu)點，而且每一本書都非常出色。

不過，我已經(jīng)把它們按我認為是最好的以及我建議學習先后的順序排名。

以下是目前互聯(lián)網(wǎng)上的12本最好的深度學習書籍：

1.用Scikit-Learn和TensorFlow進行機器學習

首先，在我看來最好的一本是采用流行的機器學習庫Scikit-Learn和Google的TensorFlow的實踐教程來學習深度學習的書。

作者試圖以一種幾乎任何人都能理解的方式來解釋復雜的話題，這在我看來是一個很大的優(yōu)勢。

我喜歡“?動手機器學習”，它可以讓你通過機器學習項目從開始到結(jié)束。因此，你可以看到如何處理真實數(shù)據(jù)，如何將數(shù)據(jù)可視化以獲取洞察力，以及重要的是如何為機器學習算法準備數(shù)據(jù)。

在本書后面，你將看到著名的MNIST分類器，模型是如何訓練以及一些基本的機器學習分類器，如SVM，決策樹，隨機森林等。

所有這一切都是為了讓你準備好本書的第二部分，內(nèi)容涉及Tensorflow（包括安裝）以及基本的神經(jīng)網(wǎng)絡和深度神經(jīng)網(wǎng)絡。

我認為這本書的結(jié)構(gòu)很好，并以正確的順序介紹了主題，而且書中的想法和具體例子都有很好的解釋。

2.深度學習（Deep Learning）

深度學習，可能是本文中最全面的書。?這本書由該領域的三位專家Ian Goodfellow，Yoshua Bengio和Aaron Courville撰寫。此書也是唯一得到企業(yè)家馬斯克認可的書。

這本書被許多人認為是深度學習的圣經(jīng)，因為它匯集了數(shù)年和數(shù)年在一本書中學習和專注的研究。

這本書并不是為了專心學習，而是可以更好地用于睡前閱讀，因為它充滿了函數(shù)方程式，并以典型的教科書書寫，所以它不會寫成最有趣的風格。

它從一開始就介紹基礎數(shù)學，如線性代數(shù)，概率論，接著轉(zhuǎn)向機器學習基礎，最后介紹深度網(wǎng)絡和深度學習。

所以，如果你是一個渴望掌握主題并進入深度學習研究的有抱負的學生，那么這本書肯定會對你有所幫助。這可能是目前關(guān)于此主題的最全面的書籍。

3.Deep Learning for the Layman(為外行準備的深度學習)

我把這本書添加進來，因為正如標題所說的的那樣，它是為一般讀者而寫的。

對于外行的深度學習首先介紹深度學習，具體來說，它是什么以及為什么需要它。

本書的下一部分解釋了監(jiān)督學習，無監(jiān)督學習和強化學習之間的差異，并介紹了分類和聚類等主題。本書后面將討論人工神經(jīng)網(wǎng)絡，包括它們是如何構(gòu)建的以及構(gòu)成網(wǎng)絡中每一層的部分。最后討論了深度學習，包括構(gòu)成當今許多計算機視覺算法的一部分的卷積神經(jīng)網(wǎng)絡。

我將這本書看作是對深度學習的介紹，并了解所涉及的概念。但實際上，我不確定這本書會對你有好處，但如果你想要一本簡單的英文指南，同時又能看到很少炒作的文字，那么這本書可能適合你。

4.建立你自己的神經(jīng)網(wǎng)絡（Make Your Own Neural Network）

這不是嚴格意義上的“深度學習”，但本書將帶你深入了解神經(jīng)網(wǎng)絡及其工作原理，幫助你了解深度神經(jīng)網(wǎng)絡。

在本書中，你可以通過神經(jīng)網(wǎng)絡的數(shù)學指導，完整的理解神經(jīng)網(wǎng)絡的工作方式。

你不僅可以知道他們?nèi)绾喂ぷ?#xff0c;還可以在Python中實現(xiàn)兩個神經(jīng)網(wǎng)絡示例，這將有助于鞏固你對該主題的理解。

本書從機器學習的高層概述開始，然后深入研究神經(jīng)網(wǎng)絡的細節(jié)。所涉及的數(shù)學并沒有超出大學水平，但包含微積分的介紹，這是以盡可能多的人訪問的方式解釋的。

有兩個部分可以建立自己的神經(jīng)網(wǎng)絡，第一部分是關(guān)于思想和理論的，第二部分是更實際的。

在第二部分中，你將學習Python編程語言，并逐漸建立起自己的能夠識別手寫數(shù)字的神經(jīng)網(wǎng)絡。

作為獎勵，你還將學習如何讓你的神經(jīng)網(wǎng)絡在Raspberry Pi上運行！

對于那些希望學習基本神經(jīng)網(wǎng)絡的基本內(nèi)容的人來說，這本書是一本很棒的書，并且可以成為本次綜述中有關(guān)深度學習的其中一本書的重要先決條件。

5.深度學習初學者（Deep Learning for Beginners）

對于初學者的深度學習，這本書并不太重視深度學習的數(shù)學，而是使用圖表來幫助你理解深度學習的基本概念和算法。

本書采用與許多其他書籍不同的方法，通過提供深度學習算法的工作原理的簡單示例，然后逐步構(gòu)建這些示例并逐步引入更復雜的算法部分。

本書的目標受眾非常多樣，從計算機科學新手到數(shù)據(jù)科學專業(yè)人員和導師都希望以最簡單的方式向?qū)W生解釋相關(guān)主題。

就書本結(jié)構(gòu)而言，你將首先學習人工神經(jīng)網(wǎng)絡的基礎知識，并了解機器學習和深度學習之間的差異。之后，你將在進入卷積神經(jīng)網(wǎng)絡（CNN）和其他深度學習算法之前了解有關(guān)多層感知器（MLP）的所有信息。

這是一本很好的初學者書籍，可以很好地解釋這些概念，但是如果你正在尋找更實用的東西，那么你應該在本綜述中查找其他書籍。

6.神經(jīng)網(wǎng)絡和深度學習（Neural Networks and Deep Learning:Deep Learning explained to your granny）

一本通俗解釋深度學習的書，簡單地說，你的奶奶都可以在本書的幫助下理解深度學習！

神經(jīng)網(wǎng)絡和深度學習：讓你逐步了解神經(jīng)網(wǎng)絡和深度學習的基礎知識，對于那些想要了解這個主題但不一定想深入了解所有數(shù)學背景的人來說，這本書是一本很棒的書。

因此，在簡要介紹機器學習之后，你將學習有監(jiān)督學習和無監(jiān)督的學習，然后研究諸如神經(jīng)元、激活函數(shù)和不同類型的網(wǎng)絡體系結(jié)構(gòu)等。

最后，你將學習深度學習的實際工作原理，深度神經(jīng)網(wǎng)絡的主要類型（包括卷積神經(jīng)網(wǎng)絡），如何給神經(jīng)網(wǎng)絡提供記憶，還討論了可用的各種框架和庫。

7.深度學習基礎：設計下一代機器智能算法（Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms）

Nikhil Buduma和Nicholas Locascio撰寫的這本書以及旨在幫助你開始深度學習，但其目標是那些熟悉Python并具有微積分背景的人.

盡管如此，深度學習基礎知識確實涵蓋了機器學習和神經(jīng)網(wǎng)絡的基礎，并且教會了如何訓練前饋神經(jīng)網(wǎng)絡。

我認為這本書的亮點之一是它大量使用了Tensorflow，它是Google的深度學習框架，用于構(gòu)建神經(jīng)網(wǎng)絡。事實上，書中有一整章專門介紹它，這在我看來是一個巨大的優(yōu)勢。

就本書的其余部分而言，它涉及一些相當先進的特性，如梯度下降、卷積濾波器、深度強化學習等等。

8.學習TensorFlow：構(gòu)建深度學習系統(tǒng)的指南（Learning TensorFlow: A Guide to Building Deep Learning Systems）

接下來是一本完全關(guān)注Tensorflow的書，本書為Tensorflow提供了一個實用的實踐方法，適用于廣泛的技術(shù)人員，從數(shù)據(jù)科學家到工程師，學生。

通過在Tensorflow中提供一些基本示例，本書開始非常入門，但隨后轉(zhuǎn)向更深入的主題，如卷積神經(jīng)網(wǎng)絡等神經(jīng)網(wǎng)絡體系結(jié)構(gòu)，如何使用文本和序列、TensorBoard可視化、TensorFlow抽象庫以及多線程輸入管道。

學習TensorFlow的終極目標是教你如何通過保存和導出模型以及如何使用Tensorflow服務API，在Tensorflow中構(gòu)建和部署適用于生產(chǎn)的深度學習系統(tǒng)。

9.用Python深入學習（Deep Learning with Python）

深度學習with python作為標題建議介紹深度學習使用Python編程語言和開源Keras庫，它允許簡單快速的原型設計。

關(guān)于這本書的偉大之處在于作者非常有吸引力，這使得本書非常易讀。正因為如此，人工智能和深度學習的一些更具挑戰(zhàn)性的方面的布局簡單易懂。

本書還避免了數(shù)學符號，而是專注于通過代碼片段（其中有30多個）解釋概念。

在Python深度學習中，??你將從一開始就學習深度學習，你將學習所有關(guān)于圖像分類模型，如何使用深度學習獲取文本和序列，甚至可以學習如何使用神經(jīng)網(wǎng)絡生成文本和圖像。

本書是為那些具有Python技能的人員編寫的，但你不必在機器學習，Tensorflow或Keras方面有過任何經(jīng)驗。你也不需要先進的數(shù)學背景，只有基礎的高中水平數(shù)學應該讓你跟隨和理解核心思想。

10.深度學習：從業(yè)者的方法（Deep Learning :A Practitioner’s Approach）

與本綜述中的其他書不同，本書重點介紹Deep Learning For Java（DL4J），它是用于訓練和實施深度神經(jīng)網(wǎng)絡的Java框架/庫。

現(xiàn)在大多數(shù)人工智能研究都是用Python進行的，因為快速原型開發(fā)通常更快，但隨著更多組織（其中許多使用Java）擁抱AI，我們可能會看到更多的AI算法轉(zhuǎn)向Java，如DL4J。

本書首先是關(guān)于深度學習的初學者書籍，但如果你已經(jīng)具備Java或深度學習的經(jīng)驗，那么你可以直接查看示例。

如果你在深度學習方面沒有經(jīng)驗，但是有豐富的Java經(jīng)驗，那么你應該從封面閱讀。如果你根本不了解Java，那么我強烈推薦閱讀其中一本??Java初學者書籍。

通過閱讀本書，你將總體了解機器學習概念，特別關(guān)注深度學習。你將了解深度神經(jīng)網(wǎng)絡是如何從基礎神經(jīng)網(wǎng)絡發(fā)展而來的，你還將了解一些深層網(wǎng)絡架構(gòu)，如卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡。

如果你熟悉Hadoop和Spark，那么你將能夠了解如何使用DL4J本身的這些技術(shù)。

11.用TensorFlow進行專業(yè)深度學習（Pro Deep Learning with TensorFlow）

本書將以親身實踐的方式教給你Tensorflow，讓你能夠從零開始學習深度學習，快速掌握Tensorflow API并學習如何優(yōu)化各種深度學習網(wǎng)絡架構(gòu)。

專業(yè)深度學習將幫助你開發(fā)調(diào)整現(xiàn)有神經(jīng)網(wǎng)絡體系結(jié)構(gòu)所需的數(shù)學知識和經(jīng)驗，甚至創(chuàng)造出可能挑戰(zhàn)最新技術(shù)水平的全新體系結(jié)構(gòu)。

本書中的所有代碼都以iPython筆記本的形式提供，因為我過去曾使用過Tensorflow，我發(fā)現(xiàn)在開發(fā)過程中使用iPython筆記本電腦非常有用。

本書面向數(shù)據(jù)科學家和機器學習專業(yè)人員、軟件開發(fā)人員、研究生和開源愛好者，并將為你提供數(shù)學基礎和機器學習原理，使你能夠開展研究并將深度學習解決方案部署到生產(chǎn)環(huán)境中。

12.用于深度學習的TensorFlow（TensorFlow for Deep Learning）

在撰寫本文時，深度學習的TensorFlow尚未發(fā)布，但可用于預購。

本書將通過從頭開始的實例向你介紹深度學習的概念，專門為開發(fā)經(jīng)驗豐富的構(gòu)建軟件系統(tǒng)的開發(fā)人員但沒有深度學習體系結(jié)構(gòu)的經(jīng)驗設計。

本書將向你展示如何設計可執(zhí)行對象檢測，翻譯人類語言，分析視頻甚至預測潛在藥物特性的系統(tǒng)！

你將獲得關(guān)于Tensorflow API的深入知識，如何在大型數(shù)據(jù)集上訓練神經(jīng)網(wǎng)絡以及如何在卷積網(wǎng)絡，循環(huán)網(wǎng)絡，LSTM和強化學習中使用TensorFlow。

本書的確需要一些基本線性代數(shù)和微積分的背景知識，但這是一本實用的書，旨在教你如何創(chuàng)建可以學習的系統(tǒng)。

總結(jié)：

所以這就是它們，這是目前最好的深度學習書籍。人工智能，尤其是深度學習，已經(jīng)非常火熱了，而且這項技術(shù)已經(jīng)實現(xiàn)了非凡的功能。然而，它仍處于起步階段，許多組織尚未接受它。

但是，這恰恰是為愿意學習深度學習的人提供了時間和機會。

深度學習有能力改變許多行業(yè)，并且還有許多尚未被夢想過的創(chuàng)業(yè)公司的想法。我覺得我們只是站在技術(shù)革命的開端。

作為Java開發(fā)人員，我有過深度學習的一些經(jīng)驗，但我知道很多同事還沒有學習這個主題。所以，趁早抓住機會學習吧。

文章作者：【方向】

原文鏈接

總結(jié)

以上是生活随笔為你收集整理的2018年最佳深度学习书单的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。