解決日常“書荒”：深度學習書籍推薦瞭解下！

書籍對於學習者來說是非常有用的資源，每一個學習者都在尋找最好的書籍來獲得全新的視角，在這裡我們收集了由有經驗的專業人士推薦的流行的深度學習書籍。

以下是一些流行的深度學習書籍的列表，這些書籍可以幫助專業人士瞭解這些書籍，並能很容易地從這些書中獲得新的知識：

1.《Deep Learning》 ，作者Goodfellow, Bengio, Courville（連結，）

本文介紹了相關數學和概念背景，包括線性代數、機率論和資訊理論、數值計算和機器學習等相關概念。它描述了業界從業者使用的深度學習技術，包括深度前饋網路、 正則化、 最佳化演算法、卷積網路、序列建模和實用方法；它還考察了自然語言處理、語音識別、計算機視覺、線上推薦系統、生物資訊學和電子遊戲等應用。最後，本書提供了多種的研究視角，涵蓋了線性因子模型、自動編碼器、結構化機率模型、蒙特卡羅方法、近似推理和深度生成模型等理論主題。

2. 《Deep Learning with Python》，作者Francois Chollet（連結：）

《Deep Learning with Python》介紹瞭如何使用Python語言和功能強大的Keras庫進行深度學習。這本書由Keras的創造者、谷歌人工智慧研究員Francois Chollet編寫，這本書透過直觀的解釋和實際的例子幫助你理解。你將深入瞭解具有挑戰性的概念和在計算機視覺、自然語言處理和生成模型中的應用實踐。當你完成這些內容的學習之後，你將有足夠的知識和實踐技能應用到你自己的專案中。

3.《Hands-On Machine Learning with Scikit-Learn and TensorFlow》，作者Aurelien Geron（連結:）

透過使用具體的示例、理論和兩個可用於生產的Python框架，scikit-learn和TensorFlow的作者Aurelien Geron幫助你直觀地理解構建人工智慧系統的概念和工具。你將學習一系列的技術，從簡單的線性迴歸到深入的神經網路。透過每一章的練習來幫助你應用你所學到的知識，你所需要的就是開始程式設計的經驗。

4. 《TensorFlow Deep Learning Cookbook 》，作者 Antonio Gulli和Amita Kapoor(連結：)

深度神經網路(DNNs)在計算機視覺、語音識別和自然語言處理領域取得了許多成功。整個世界都對網路是如何深刻地變革人工智慧充滿了興奮。而這本書的出現，更是對人類的一大鼓舞，它將帶你從DNN理論領域到實際實現，以解決現實生活中的人工智慧領域的問題。

5. 《Deep Learning: A Practitioners Approach 》，作者 Josh Patterson 和Adam Gibson（連結：）

作者Josh Patterson 和Adam Gibson在介紹他們開發的生產類工作流的開源Deeplearning4j(DL4J)庫之前，提供了關於深入學習的理論。透過實際示例，你將學習如何使用DL4J在SPark和Hadoop上訓練深度網路體系結構以及執行深度學習工作流的方法和策略。

6.《 Make Your Own Neural Network》 ，作者Tariq Rashid（連結：）

透過對神經網路手把手式的教學，教你如何使用Python計算機語言開始自己在深度學習領域的旅程。神經網路是深度學習和人工智慧的一個關鍵要素，今天的人工智慧已經有了令人印象深刻的成就。然而很少有人真正瞭解神經網路是如何工作的。本指南將帶你踏上一段輕鬆愉快的旅程，從非常簡單的想法開始，逐步建立對神經網路如何工作的理解。

7.《Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms》，作者Nikhil Buduma（連結：）

隨著21世紀初神經網路的復興，深度學習已經成為一個非常活躍的研究領域，為現代機器學習鋪平了道路。在這本實用的書中，作者Nikhil Buduma將提供了一些例子和清晰的解釋來指導你理解這個複雜領域的主要概念。

谷歌、微軟和臉書等公司正在積極發展內部深度學習團隊。然而，對於我們其他人來說，深度學習仍然是一個相當複雜和難以掌握的課題。如果你熟悉Python，有微積分背景，對機器學習有基本的瞭解，這本書會讓你更好的入門。

8.《Neural Network Design (2nd Edition)》，作者Martin T Hagan, Mark H Beale, 和Orlando De Jesus（連結：）

這本書，由MATLAB神經網路工具箱的作者編寫，提供了對基本神經網路體系結構和學習規則的清晰和詳細的介紹。在本書中，作者強調了主要神經網路、訓練神經網路的方法以及它們在實際問題中的應用。具有廣泛的訓練方法為前饋網路(包括多層和徑向基網路)和遞迴網路。除了反向傳播演算法的共軛梯度法和Levenberg-Marquardt變化外，本文還介紹了貝葉斯正則化等等，這保證了訓練網路的泛化能力。結合網路和競爭網路，包括特徵圖和學習向量量化，透過簡單的構造塊進行解釋。

9. 《Neural Networks for Pattern Recognition 》 ，作者Christopher M. Bishop（連結：）

這是第一次從統計模式識別的角度對前饋神經網路進行綜合處理。在介紹了基本概念之後，本書研究了機率密度函式的建模技術，以及多層感知器和徑向基函式網路模型的性質和優點。還討論了各種形式的錯誤函式、誤差函式最小化的主要演算法、神經網路中的學習和泛化以及貝葉斯技術及其應用。設計成本書，有100多個練習。這本書對任何涉及神經計算和模式識別領域的人而言都是有益的。

10.《Python Machine Learning: Machine Learning and Deep Learning》，作者 Sebastian Raschka 和 Vahid Mirjalili（連結：）

機器學習正在"吞噬"軟體世界，現在深入學習正在不斷擴充套件機器學習的邊界。透過閱讀由Sebastian Raschka 和Vahid Mirjalili出版的暢銷書《Python Machine Learning》的第二版，你將瞭解並工作在機器學習、神經網路和深度學習的前沿。這本書使用了最新的Python開源庫，提供了建立機器學習、深入學習和現代資料分析所需的實用知識和技術。