12本深度学习书籍推荐：有入门，有深度
推荐 12 本能帮助你从零开始学习深度学习的书籍。本文推荐的这些书每一本都有自己的优点，以下这些图书我按照个人推荐进行了排序。大家可以根据介绍，选择适合自己的书来读。
这是这份书单中我认为最好的一本。因为它以实操的形式，通过流行的机器学习库 Scikit-Learn 和谷歌的 TensorFlow 介绍了深度学习。
跟很多深度学习书籍一样，这本书包括很多数学公式。但是它却不是一个参考综述，而是一个适合阅读的图书。作者尝试向所有人解释清楚复杂的概念，我个人认为这是一个很大的加分点。此外，我喜欢这本书的另外一点是它通过一个完整的机器学习项目从头到尾来介绍机器学习。你能感受到如何处理真实数据，如何进行数据可视化来获得洞察，以及如何为机器学习模型做好数据准备。
本书你将了解一个著名的 MNIST 分类器，如何训练模型，了解基本的机器学习分类器，例如支持向量机，决策树和随机森林等。这些都是为了为本书下一部分做准备。下一部分主要介绍 TensorFlow 和基本的神经网络概念和深度神经网络。
我认为这本书的结构很好，并且以正确的顺序介绍相关主题。虽然书中有很多数学公式，但是其中的观点和具体的例子都解释得很好。
正如这本书的书名所显示的，本书是一本通识读物，是一本”外行“也能看懂的深度学习书籍。
本书首先介绍了什么是深度学习以及为什么我们需要深度学习。然后，介绍了有监督学习、无监督学习和强化学习的区别，具体地介绍了分类和聚类等主题。随后，介绍了人工神经网络，以及如何逐层组合成网络结构。最后，介绍了深度学习，包括计算机视觉中广泛使用的卷积神经网络（CNN）。
我认为这本书真的是对深入学习的一个介绍，并了解了所涉及的概念。实际上，我不确定这本书是否有益处，但是如果你想要一本简明的英语指南，它同时也能帮助你实现这一目的，那么这本书可能是适合你的。
第二本书是《深度学习》，这也可能是这份书单中最全面最完整的一本书。本书由深度学习领域的专家撰写，作者为 Ian Goodfellow，Yoshua Bengio 和 Aaron Courville。这本书也得到了企业家埃隆·马斯克的认可。
很多人认为本书是 AI 圣经，这种说法是正确的，因为它将这个领域多年的研究汇集到一本书中。这本书并不适合意志薄弱者。由于它是以典型的教材方式编写，且充满数学公式，所以并不是十分有趣，适合作为睡前读物。
本书首先介绍了基本的数学基础知识，包括线性代数、概率论。然后再介绍机器学习的基础知识。最后开始介绍深度学习。
如果你是一个有抱负的学生想要掌握深度学习并深入研究，或者你想教授深度学习课程，那么这本书肯定会对你有帮助。这本书可能是目前关于深度学习最全面的图书。
在我看来，任何一本能够将事情进行简单地解释，让奶奶都能听懂和理解的书，是值得推荐的！
本书带你一步一步地了解神经网络和深度学习的基础知识，特别适合那些希望了解深度学习主题但又不想陷入数学细节的读者。
因此在简要地介绍机器学习之后，你将了解有监督学习和无监督学习，然后深入研究神经元、激活函数和不同类型的网络结构。
最后，你将学习到深度学习的工作原理，主要类型的神经网络（例如卷积神经网络），如何让神经网络拥有记忆功能，以及各种框架和库。
严格来讲，这不是一本”深度学习“的图书。但是这本书能够让你全面了解神经网络的工作原理，这些能够帮助你理解深度神经网络。
本书通过实现两个 Python 神经网络的例子来理解神经网络的原理。从对机器学习的高度概括中，逐步深入到神经网络的细节。
本书要求的数学没有超过中学水平多少，但是确实包括了微积分的一些介绍，并以尽可能让更多人能懂的方式加以解释。
整本书分为两大部分。第一部分主要将想法和理论，第二部分则侧重实践。在第二部分，你将学习 Python 语言，并逐步建立自己的一个能够识别数字的神经网络。作为奖励，你还将学习如何在 Raspberry Pi 上运行您的神经网络。
对于那些想学习基本的神经网络细节的人来说，这一本奇妙的书。同时可以作为本书单中其他图书的前置阅读图书。
本书适合对 Python 熟悉且有微积分背景的读者入门深度学习。不仅如此，本书还包括机器学习的基础知识，神经网络和教会读者如何训练前馈神经网络。
本书的一大亮点是深度使用 TensorFlow 这个谷歌的神经网络 API。实际上本书有一整章专门介绍 TensorFlow，我个人认为这是一个加分点。书的其他部分介绍了一些高级特性，例如梯度下降法、卷积滤波器和深度强化学习等。
然而，本书有很好的图表，数学内容很少且都有这很好的解释。
本书提供了 TensorFlow 实际动手的方法，适合数据科学家、工程师、学生和研究人员参考。
本书首先提供了慢慢地提供 TensorFlow 的基本样例。然后进入更深的主题，例如 CNN 等神经网络结构，如何处理文本和序列数据，如何使用 TensorBoard 进行可视化，TensorFlow 抽象库和多线程输入管道。
学习 TensorFlow 的终极目标是如何用 TensorFlow 保存和导出模型来构建和部署产品化的深度学习系统，如何使用 TensorFlow 服务 API。
本书使用 Python 语言和开源的 Keras 框架介绍深度学习。本书的一大优点是作者可读性非常强。人工智能和深度学习中的复杂概念被简单地阐述出来，使得读者很容易理解。作者也避免了数学符号，而是通过 30 多个代码片段来解释概念。
通过本书，你将从头开始学习深度学习。学习图像分类模型，学习如何在文本和序列数据上使用深度学习技术，如何使用圣经网络生成文本和图像。
本书要求读者有中级的 Python 基础，但是不需要读者有机器学习、TensorFlow 或 Keras 基础。噢，你也不需要有高深的数学背景，只要高中水平的数学就可以让你跟上并理解核心思想。
本书不涉及太多深度学习的数学知识，而是使用图表来帮助理解深度学习的基本概念和算法。作者使用简单的例子来显示深度学习算法的工作原理。通过这些例子一步一步组合来逐渐介绍算法更复杂的部分。
这本书适合的读者面很广，从计算机初学者，到数据科学专家，到希望使用简单的方式向学生解释深度学习的教师。
本书的组织架构。首先学习人工神经网络的基础知识和机器学习与深度学习的不同。然后学习多层感知器（MLP），卷积神经网络(CNN)和其他的深度学习算法。
本书是一本非常好的入门图书，它将概念解释得很清晰。如果你希望一些更实践的内容，建议选择本书单的其他图书。
我推荐的第 10 本书是《Deep Learning: A Practitioner's Approach》。与这份书单中的其他图书不同的是使用了 DL4J 这个 Java 库来训练和实现深度神经网络。
当前大部分 AI 研究者使用 Python 语言，因为 Python 能够用于快速实现原型系统。然而随着越来越多的机构接受了深度学习（很多机构使用 Java），我们将会看到更多使用 Java 实现的 AI 算法。
本书是一本针对初学者的书，如果你在 Java 或深度学习领域已经很有经验，可以直接去看它的例子。如果你没有深度学习的经验，但又很好的 Java 基础，建议你逐页阅读本书。如果你不了解 Java，则需要先去入门 Java。
通过阅读这本书，你将大致了解机器学习，特别是深度学习的基本概念。你将了解深度神经网络是如何从基本的神经网络演化而来。了解一些深度网络的架构，例如卷积神经网络（CNN）和循环神经网络(RNN)。
如果你对 Hadoop 和 Spark 熟悉，你将能够直接结合这些技术来使用 DL4J。
本书基于 TensorFlow 系统手把手教你从零开始学习深度学习。快速掌握 TensorFlow 的 API，学习如何优化不同的深度学习网络架构。
本书将帮助你开发调整现有神经网络结构所需的数学知识和直觉，甚至帮助你发明全新的网络结构来挑战当前最好的结果。
书中的所有代码都以 Jupyter Notebook 的格式提供。因为我本人使用过 TensorFlow，我觉得这种格式的源代码在开发时将会非常方便。
本书的最佳阅读对象为数据科学家和机器学习专家，软件工程师、研究生和开源爱好者。你将能够学习到数学基础和机器学习准则，帮助你的研究和部署深度学习解决方案到产品中。
该书通过基础的实践案例介绍了深度学习的概念。适合拥有软件系统开发经验而没有深度学习架构经验的开发者学习。
该书将会告诉你如何设计系统来完成物体识别、语音转换、视频分析和药品潜在药性预测等任务。
通过这本书，你将对 TensorFlow 系统的 API 有深入的认识。例如如何在大数据集上训练神经网络，如何用 TensorFlow 训练卷积网络、循环网络，长短期记忆 LSTM 和强化学习等。
这本书要求读者掌握线性代数和微积分的基础知识，但是这是一本实践的教材，目的是教会读者如何构建能够学习的系统。
这就是目前我推荐的 12 本深度学习最佳图书。
人工智能，特别是深度学习，已经是一种非常高效的技术。利用这种技术已经完成了很多非凡的任务。然而它仍然处于起步阶段，目前还有很够机构并没有接受这项技术。这也为我们希望学习这个主题的人提供了机会。
深度学习能够对工业进行变革，很多创业公司来说还有很多尚未想到的创意。我认为我们目前还处于这场变革的开始阶段。
作为一个 Java 开发者，我已经拥有一些深度学习的经验，但是很多我的同事并没有开始接触它。
所以，把握现在的机会，从人群中向前走一步开始学习深度学习吧，或许你能够带来硅谷的下一个 AI 创业巨头？即使你不准备创业，这也将成为你的简历中的一个闪亮的加分项~
文章来源：数据嗨客