這可能是當今最全面、最新的深度學習概述之一。
爆火的深度學習領域，最近又有了熱門學習資料。
近日，麻省理工出版社的新書《Understanding Deep Learning》（深入理解深度學習）迎來了中文版。
這本書一共分為 21 個章節，涵蓋了深度學習領域的許多關鍵概念，包括基本構建、Transformer 架構、圖神經網路 GNN、強化學習 RL、擴散模型等等。對於不論是初學者，還是已有工作經驗的開發者來說都有極高的價值。
GitHub 連結：https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN
書籍原連結：https://udlbook.github.io/udlbook/
目前，該書的英文電子版下載量已達到 34.4 萬。
該書的實體版本在去年 12 月正式釋出，全書共 541 頁，不過它的電子版一直在繼續更新。目前在網站上，作者還提供了 68 個 Python 筆記本練習，可以幫助讀者透過程式設計實踐加深理解。
本書希望以準確易懂的方式，向人們介紹深度學習的基礎思想，旨在幫助剛入門的讀者理解深度學習背後的原理。對於想要深入理解本書內容的讀者來說，只需要本科水平的數學知識就能讀懂。
具體來說，該書在前面的部分介紹了深度學習模型，並討論瞭如何訓練、評估這些模型，如何提高它們的效能的方法。在接下來的部分，作者會帶領我們考察專門用於影像、文字和圖資料的架構。後續的章節探討了生成模型和強化學習。倒數第二章探討了這些以及其他尚未完全理解的方面。最後一章討論了 AI 倫理。
目錄
第一章 - Introduction 介紹
第二章 - Supervised learning 監督學習
第三章 - Shallow neural networks 淺層神經網路
第四章 - Deep neural networks 深度神經網路
第五章 - Loss functions 損失函式
第六章 - Fitting models 訓練模型
第七章 - Gradients and initialization 梯度和初始化
第八章 - Measuring performance 效能評估
第九章 - Regularization 正則化
第十章 - Convolutional networks 卷積網路
第十一章 - Residual networks 殘差網路
第十二章 - Transformers
第十三章 - Graph neural networks 圖神經網路
第十四章 - Unsupervised learning 無監督學習
第十五章 - Generative adversarial networks 生成對抗網路
第十六章 - Normalizing flows 標準化流
第十七章 - Variational autoencoders 變分自編碼器
第十八章 - Diffusion models 擴散模型
第十九章 - Deep reinforcement learning 深度強化學習
第二十章 - Why does deep learning work? 為什麼深度學習有效？
第二十一章 - Deep learning and ethics 深度學習與倫理
作者介紹
《深入理解深度學習》的作者是英國巴斯大學（University of Bath）電腦科學教授 Simon J.D. Prince，他專注於研究計算機視覺和計算機圖形學。
領英資料顯示，Simon J.D. Prince 十幾年來一直在研究機構從事電腦科學和 AI 研究工作，例如曾在軟體開發公司 Anthropics Technology 擔任 7 年首席科學家。2022 年，他加入巴斯大學任名譽教授。
Simon J.D. Prince 已在頂級會議（CVPR、ICCV、SIGGRAPH 等）上發表超過 50 篇論文。他還是《計算機視覺：模型、學習和推理》的作者。
參考連結：
https://x.com/tuturetom/status/1814689613304508777