2019 年 12 個深度學習最佳書籍清單！值得收藏

红色石头發表於2019-03-27
深度學習

你想入門深度學習嗎？我盡了我最大的努力整理了這份知識清單。希望能夠節省你的時間，對你有所幫助。

這裡是 2019 年最佳機器學習和深度學習書籍的名單：

  • 《深度學習》by Ian Goodfellow, Yoshua Bengio, Aaron Courville

  • 《探索深度學習》by Andrew W. Trask

  • 《Python 深度學習》by Francois Chollet

  • 《Scikit-Learn與TensorFLow機器學習實用指南》by Aurélien Géron

  • 《百頁機器學習》 by Andriy Burkov

  • 《強化學習：導論（第二版）》by Richard S. Sutton, Andrew G. Barto

  • 《深入強化學習實踐》by Maxim Lapan

  • 《從資料中學習》by Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

  • 《解釋為什麼》by Judea Pearl, Dana Mackenzie

  • 《機器學習祕籍》by Andrew Ng

  • 《可解釋機器學習》by Christoph Molnar

  • 《神經網路與深度學習》by Michael Nielsen

下面我們將詳細介紹！

1.《深度學習》

作者：Ian Goodfellow, Yoshua Bengio, Aaron Courville.

資源：

書籍網站：

http://www.deeplearningbook.org/

講課：

http://www.deeplearningbook.org/lecture_slides.html

練習：

http://www.deeplearningbook.org/exercises.html

其它：

http://www.deeplearningbook.org/external.html

類別：深度學習

這本書被廣泛認為是深度學習的“聖經”。這本書由三位專家撰寫，其中包括該領域的教父之一，這是你能找到的最全面的書。這本書技術性很強，但作者們對你需要掌握的知識都做了介紹。

書籍摘要：

深度學習是機器學習的一種形式，它使計算機能夠從經驗中學習，並從概念的層次結構中瞭解世界。由於計算機是從經驗中收集知識的，因此人類計算機操作員無需正式指定計算機所需的所有知識。概念的層次結構允許計算機從簡單的概念中學習複雜的概念；這些層次結構的圖將是多層的。這本書介紹了一系列深入學習的主題。

本文提供了數學和概念背景，涵蓋了線性代數、概率論和資訊理論、數值計算和機器學習中的相關概念。它描述了行業從業人員所使用的深度學習技術，包括深度前饋網路、正則化、優化演算法、卷積網路、序列建模和實用方法論；它調查了自然語言處理、語音識別、計算機視覺、線上推薦系統等應用。EMS、生物資訊學和電子遊戲。最後，本書提供了研究視角，涵蓋了線性因素模型、自動編碼器、表示學習、結構化概率模型、蒙特卡羅方法、配分函式、近似推理和深度生成模型等理論主題。

這本書適合打算從事工業或研究領域的本科生或研究生，以及希望開始在其產品或平臺中使用深度學習的軟體工程師。資源網站為讀者和教師提供額外的補充材料。

2.《探索深度學習》

作者：Andrew W. Trask

資源：

https://github.com/iamtrask/Grokking-Deep-Learning

類別：深度學習

關於讀者：

面向具有高中數學和中級程式設計技能的讀者。

書籍摘要：

探索深度學習教會你從頭開始建立深度學習神經網路！經驗豐富的深度學習專家 Andrew W. Trask 將向你展示了深度學習背後的科學，所以你可以自己摸索並訓練神經網路的每一個細節。只使用 Python 及其數學支援庫 Numpy，就可以訓練自己的神經網路，將文字翻譯成不同的語言，甚至像莎士比亞一樣寫作！完成後，您將準備好掌握深度學習框架。

3.《Python 深度學習》

作者：Francois Chollet

資源：

https://github.com/fchollet/deep-learning-with-python-notebooks

類別：深度學習

關於讀者：

讀者需要中級的 Python 技能。不需要其它的 Keras、TensorFlow 或機器學習經驗。

從 Keras 的發明者（和另一個 Floydhub 的朋友），這本書將真正地帶你入門，使用 Keras 進行深度學習。類似於《探索深度學習》，這本書在理論和編碼之間找到了正確的平衡。更不用說作者創造偉大精神形象的能力了。

書籍摘要：

《Python 深度學習》介紹了使用 Python 語言和強大的 Keras 庫進行深入學習。這本書由 Keras 的建立者、谷歌人工智慧研究員 Francois Chollet 撰寫，通過直觀的解釋和實際的例子來鞏固你的理解。你將在計算機視覺、自然語言處理和生成模型中探索具有挑戰性的概念和實踐。當你完成的時候，你將擁有知識和實際操作技能來將深度學習應用到你自己的專案中。

4.《Scikit-Learn與TensorFLow機器學習實用指南》

作者：Aurélien Géron

資源：

https://github.com/ageron/handson-ml

類別：機器學習/深度學習

作者 Aurélien Géron 是一個優秀的思想交流者，能夠有效地運用例項。當你看完這本書的時候，你會很快地應用他們所學的知識。要感受他的激情和溝通風格，請訪問他的 YouTube 頻道：

https://www.youtube.com/channel/UCCvGd1WBMpFQ_vtC89VF2qA

書籍摘要（第2版）：

通過最近的一系列突破，深度學習促進了整個機器學習領域。現在，即使是對這項技術一無所知的程式設計師也可以使用簡單、高效的工具來實現能夠從資料中學習的程式。

這本暢銷書第 2 版使用了兩個面向生產的 Python 框架 Scikit Learn 和 TensorFlow 2.0 幫助您直觀地理解構建智慧系統的概念和工具。實踐者將學習一系列可以快速投入工作中使用的技術。第 1 部分使用 Scikit Learn 介紹基本的機器學習任務，例如簡單線性迴歸。第 2 部分已經有了顯著的更新，它使用了 Keras 和 TensorFlow 2.0，通過使用深度神經網路的更先進的機器學習方法來指導讀者。通過每一章中的練習幫助您應用所學內容，您所需要的只是開始程式設計的經驗。

第 2 版新增：更新了 TensorFlow 2.0 的所有程式碼，引入了高階別的 Keras API。新的和擴充套件的覆蓋範圍包括 TensorFlow 的資料 API、估計器 API、在Google Cloud ML 上部署、處理時間序列、嵌入等。

5.《百頁機器學習》

作者：Andriy Burkov

資源：

http://themlbook.com/wiki/doku.php

類別：機器學習/深度學習
這本書誕生於 LinkedIn 上的一個挑戰（Andriy 是一個有影響力的人）。他的書不需要太多的介紹：亞馬遜同類產品的暢銷書，可能還是這一主題的最好的書面知識總結。

專家門認為：

6.《強化學習：導論（第二版）》

作者：Richard S. Sutton, Andrew G. Barto

資源：

https://github.com/ShangtongZhang/reinforcement-learning-an-introduction

https://github.com/dennybritz/reinforcement-learning

類別：機器學習/深度學習/強化學習

如果說《深度學習》是深度學習領域的聖經，那麼這本書就是強化學習的聖經。這是一個相當專業的讀物。我們的建議是在每一章結束後休息一下，把咖啡倒上，然後實際執行演算法。

書籍摘要：

強化學習是人工智慧領域中最活躍的研究領域之一，是一種計算學習方法，通過這種方法，智慧體在與複雜、不確定的環境互動時，試圖最大限度地獲得總回報。在強化學習中，Richard S. Sutton 和 Andrew G. Barto 對該領域的關鍵思想和演算法進行了清晰而簡單的描述。這第二版已經被地擴充套件和更新，增加了新的主題和更新其他主題的覆蓋範圍。

與第一版一樣，第二版的重點是核心線上學習演算法。第一部分包括儘可能全的強化學習。本部分介紹的許多演算法是第二版的新演算法，包括 UCB、預期 SARSA 和雙重學習。第二部分將這些思想擴充套件到函式逼近，在人工神經網路和傅立葉基等主題上增加了新的章節，並提供了非策略學習和策略梯度方法的擴充套件處理。第三部分有關於加強學習與心理學和神經科學的關係的新章節，以及更新的案例研究章節，包括 AlphaGo 和 AlphaGo Zero、Atari 遊戲和 IBM Watson 的賭博策略。最後一章討論了強化學習對未來社會的影響。

7.《深入強化學習實踐》

作者：Maxim Lapan

資源：

https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On

類別：機器學習/深度學習/強化學習

我在 Maxim 的一篇博文中看到了他的書。我真的愛上了他的寫作風格和對細節的關注（相信你也會）。這本書提供了一個實際的方法，通過平衡理論和編碼實踐的RL。一本書，讓你動起手來，但也有大量的知識，如何正確地做，並瞭解背後發生的事情。這是一本關於 RL 的最佳實踐風格書。

書籍摘要：

強化學習（RL）與深度學習（DL）相結合的最新發展，使機器以類似人類的方式解決複雜問題取得了前所未有的進展。谷歌使用演算法來玩和擊敗著名的 Atari 街機遊戲，推動了該領域的突出，研究人員正在快速產生新的想法。

深入強化學習實踐是對最新 DL 工具及其侷限性的全面指導。在將方法應用到實際環境之前，您將評估方法，包括交叉熵和策略梯度。同時使用 Atari 虛擬遊戲集和家庭最喜愛的遊戲，如 Connect 4。本書介紹了 RL 的基本知識，讓您瞭解如何編寫智慧學習代理程式碼，以完成一系列強大的實際任務。瞭解如何在“網格世界”環境中實施 Q-Learning，教你交易股票，並瞭解自然語言模型如何推動聊天機器人的繁榮。

8.《從資料中學習》

作者：Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

資源：

https://www.youtube.com/playlist?list=PLD63A284B7615313A

Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin

類別：機器學習

如果你想開始學習機器學習的關鍵概念，那麼你會喜歡這本書：簡單易懂，簡潔明瞭。這可能是繼吳恩達課程之後最好的學習資源！這是我第一本關於機器學習的書和課程。

書籍摘要：

這本書，包括線上材料，讀者可以自由訪問。這本書是為機器學習的一個短期課程而設計的。這是一個短期的過程，而不是倉促的過程。經過十多年的教學，我們提煉出了我們認為是該學科每個學生都應該知道的核心話題。此外，我們的讀者可以自由訪問線上電子章節，這些電子章節是我們根據機器學習的當前趨勢更新的，例如深度學習和支援向量機。我們希望讀者能通過閱讀一本又一本的書來學習這門學科的所有基礎知識。從資料中學習具有明顯的理論和實踐軌跡。在這本書中，我們平衡了理論和實踐，數學和啟發式。包括建立學習概念框架的理論，以及影響實際學習系統效能的啟發式方法。我們強調的是必要的基礎，使任何學生的學習從資料堅實的基礎。作者是加州理工學院（California Institute of Technology）、倫斯勒理工學院（Rensselaer Polytechnic Institute）和臺灣國立大學（National Taiwan University）的教授，這本書是他們在機器學習方面的熱門課程的教材。作者還與金融和商業公司就機器學習應用進行了廣泛的諮詢，並在機器學習競賽中領導獲獎團隊。

9.《解釋為什麼》

作者：Judea Pearl, Dana Mackenzie.

類別：機器學習/資料科學

這是我們名單上最具爭議的書。作者介紹了克服 ML/DL 模型曲線擬合的因果關係框架，並對實現人工通用智慧的途徑提出了自己的看法。如果你想找一些能讓你思考的東西（很多），這本書是對的！

書籍摘要：

“相關性不是因果關係。”這句科學家們一個多世紀以來一直在唱的咒語，實際上已經導致了對因果關係對話的禁止。今天，這個禁忌已經消失了。Judea Pearl 及其同事發起的因果革命，突破了一個世紀的混亂，在堅實的科學基礎上確立了因果關係——因果關係的研究。他的工作解釋了我們如何知道簡單的事情，比如是下雨還是讓人行道溼了的灑水器；以及如何回答棘手的問題，比如藥物是否治癒了疾病。Pearl的工作不僅使我們知道一件事是否會導致另一件事：它讓我們探索了現實世界和本來可能存在的世界。它向我們展示了人類思想的本質和人工智慧的關鍵。任何一個想了解的人都需要一本關於原因的書。

10.《機器學習祕籍》

作者：Andrew Ng

資源：

Machine Learning Yearning

類別：機器學習/深度學習

書籍摘要：

人工智慧正在改變許多行業。機器學習渴望，Andrew Ng 博士目前正在撰寫的一本免費書籍，教你如何構造機器學習專案。

本書的重點不是教你如何使用 ML 演算法，而是教你如何使用 ML 演算法。閱讀機器學習渴望後，您將能夠：

為人工智慧專案確定最有希望的方向 -診斷機器學習系統中的錯誤
在複雜環境中構建ML，例如不匹配的培訓/測試集
建立一個ML專案來比較和/或超越人的水平。
知道何時以及如何應用端到端學習、轉移學習和多工學習。

11.《可解釋機器學習》

作者：Christoph Molnar

資源：

https://leanpub.com/interpretable-machine-learning

https://christophm.github.io/interpretable-ml-book/

類別：機器學習

可解釋性正迅速成為機器學習需要解決的一個熱點問題。拆箱仍然是深度學習的一個活躍研究領域，但幸運的是，對於機器學習模型，我們實際上有更多的工具可用-這是一個很好的工具。

書籍摘要：

機器學習對於改進產品、過程和研究有很大的潛力。但是計算機通常不能解釋他們的預測，這是機器學習的一個障礙。這本書是關於使機器學習模型和他們的決定可解釋。

在探索了可解釋性的概念之後，您將學習簡單的、可解釋的模型，如決策樹、決策規則和線性迴歸。後面幾章重點介紹瞭解釋黑箱模型的一般模型不可知論方法。

對各種解釋方法進行了深入的解釋和批判性的討論。他們怎麼在引擎蓋下工作？他們的優點和缺點是什麼？如何解釋它們的輸出？本書將使您能夠選擇和正確應用最適合您的機器學習專案的解釋方法。

這本書的重點是表格式資料（也稱為關係資料或結構化資料）的機器學習模型，而不是計算機視覺和自然語言處理任務。對於機器學習實踐者、資料科學家、統計學家以及任何其他對機器學習模型的解釋感興趣的人，推薦閱讀本書。

12.《神經網路與深度學習》

作者：Michael Nielsen

資源：

http://neuralnetworksanddeeplearning.com/index.html

類別：機器學習/深度學習

《神經網路和深度學習》是免費的線上書籍。

書籍摘要：

神經網路是有史以來最漂亮的程式設計範例之一。在傳統的程式設計方法中，我們告訴計算機要做什麼，把大問題分解成許多小的、精確定義的任務，計算機可以輕鬆地執行這些任務。相反，在神經網路中，我們不會告訴計算機如何解決我們的問題。相反，它從觀測資料中學習，找出自己解決手頭問題的方法。

從資料中自動學習聽起來很有希望。然而，直到2006年，我們都不知道如何訓練神經網路來超越更傳統的方法，除了一些專門的問題。2006年發生的變化是在所謂的深神經網路中發現了學習技術。這些技術現在被稱為深度學習。它們得到了進一步的發展，今天，在計算機視覺、語音識別和自然語言處理等許多重要問題上，深度神經網路和深度學習取得了突出的成績。谷歌、微軟和Facebook等公司正在大規模部署它們。

這本書的目的是幫助你掌握神經網路的核心概念，包括現代技術的深入學習。在看完這本書之後，你將寫下使用神經網路和深度學習來解決複雜模式識別問題的程式碼。你將有一個基礎使用神經網路和深度學習來攻擊你自己設計的問題。

好了！以上就是 2018 年最火熱、最優秀的 12 個機器學習、深度學習相關教程。希望對你有所幫助~

原文連結：

https://blog.floydhub.com/best-deep-learning-books-updated-for-2019/

相關文章