雷锋网按：本文作者为 Jeffries Consulting 创始人 Daniel Jeffries，他以自己的阅读体验，对当前含金量极高的几本深度学习书籍进行点评；对每本书的内容重点、所适合的读者群进行了总结。非常适合学习者在购书前进行参考，以免白费时间。雷锋网编译。
Daniel Jeffries：多年来，由于实验室研究和现实应用效果之间的鸿沟，少有人持续研究人工智能，AI在很多领域停滞不前。
但近两年，AI 在一些领域陆续有了重大突破，比如：图像识别；自动驾驶；Alpha Go等。许多八九十年代的算法，由于硬件慢和缺乏数据等原因束之高阁。而现在，有众多大数据集和大规模并行芯片的支持，这些算法终于初见成效。
在过去的一年多时间里，研究人员奋笔疾书，竞相出版专著，以满足读者对深度学习知识的渴求。第一本关于深度学习的书已经上架，更多的将会在夏天或者明年年初陆续上架。我有幸提前拜读了若干专著的初稿，这些书的最终出版让人期待万分。
接下来给大家推荐一些深度学习书籍，这些书可以引导大家如何学习人工智能，对深度学习的快速理解有很大帮助。
理论和实践相互兼顾
我父亲常说“凡事均衡最好。”
对此我深信不疑，且奉为圭臬。当然，我承认在周末或者维加斯的时候，偶尔也会将其抛诸脑后。
我赞成理论与实践要相互均衡。比如针对某个问题，给一个明确的背景信息，然后根据实例让我自己动手实践。书本不要过多阐述理论知识，应该让读者边学习边查漏补缺。设想有一本书，非常抽象，或者罗列大量的实例，却不解释问题的来龙去脉，你还能看下去吗？
每个人都有自己的学习习惯，应该清楚地知道怎么学，才能卓有成效。我始终认为花时间去买那些与我无用的书，特别容易错过真正适合的。如果你喜欢通篇理论，那就不必继续看我的推荐了。如果你喜欢看那些理论与实践结合相宜得章的书，相信我推荐的书单会让你会喜欢。
书单
-
《Deep Learning》
第一本书是Ian Goodfellow的《Deep Learning》。作者在Google Brain和OpenAI上做出了突出贡献。不少人认为这本书是深度学习领域的圣经，因为它是迄今为止唯一一本融合了前几十年研究工作的鸿篇巨著。
不过，除非你有较好的数学基础，否则不建议你从本书入门，因为读起来挫败感十足。书中不仅有大量的公式，同时写得比较枯燥、干巴。尽管Goodfellow希望能给读者传授更多的知识，但事与愿违，该书读起来不能引人入胜，比较乏味。确实会做和会教是两码事。
我估计明年首次参加大学深度学习课程的学生手中会拥有这本书，而其中的许多人会因为这本书难懂而坚持不下去。这本书比较适合那些经过几年相关工作后，仍想进一步掌握深度学习的从业者。对于拥有较多专业领域知识且正准备初次进军AI行业的专业程序员而言，这也是一本比较全面的指南。
本书免费中文版请点此。
-
《Hands-On Machine Learning with Scikit-Learn and Tensorflow》
第二本是刚出版的《Hands-On Machine Learning with Scikit-Learn and Tensorflow》。虽然这本书也有大量的公式，不过作者Aurélien Géron用简单的方式诠释了复杂的概念。全书写得通俗易懂，可读性很强，不过我也不强烈推荐。
《数学不好还学AI》系列文章，是本书很好的补充，尤其是该系列的第五篇《用卷积神经网络进行图像识别》和第七篇《自然语言处理》。在我的印象里，这本书有详尽的实例和相应代码，两者完美结合。在Safari的在线丛书中我读过初稿，当时许多部分没有写完，而且网站将一些公式转换的莫名其妙，这并不影响我对内容的理解。
和其他优秀的修改稿一样，最终版本相比初稿有了质的飞跃，完美诠释了作者的观点和采用的实例。本书内容的组织非常自然流畅，各种观点都有清晰的实例证明，雷锋网建议读者看第一遍的时候，不要去管那些公式，以后根据需要再去深入推敲。
-
《Deep Learning with Python》
第三本是《Deep Learning with Python》。作者是Keras框架的构建者Francois Chollet。不过这本书还得过段时间才能出版，通过Manning的MEAP系统可以阅读前三章的内容，写得很好，我极力推荐此书。
正如Chollet在编写Keras框架时一样，神奇地将复杂概念简单化，文中措词巧妙，可读性强。即使是AI和深度学习中最有挑战性的概念，同样也解释的通俗易懂。读了这本书我才真正理解什么是张量。书中有大量不错的实例，大家可以在他的 Github 上看看代码。随着正式出版的临近，这本书也越来越完整，请关注并支持作者。同时，尽量能先在MEAP上跟进阅读，并通过给作者留言，完善这本书。
-
《Deep Learning: A Practitioner's Approach》
第四本是《Deep Learning: A Practitioner's Approach》。该书主要使用Java的深度学习框架DL4J。目前AI领域的研究大多数使用Python语言实现，不过随着越来越多企业涌入机器学习领域，可能Java的使用会逐渐增多。由于Java庞大的生态系统，现在的大公司里，它仍然是主要的开发工具。
本书的作者之一Josh Patterson，邀请我出席五月第一周举办的Red Hat Summit（红帽峰会），到时我有机会通读本书的发行版。先说明这本书是面向深度学习初学者的。雷锋网建议，如果你已经有一些深度学习的基本知识并想进一步深入研究如何用Java实现深度学习，请直接跳过前面的例子。但是如果你没什么深度学习经验，Java也没那么熟悉，那么这本书值得你手不释卷，反复研读。尤其是“第 4 章：出色的深度学习架构”，本章提供了一个可以帮你解决现实应用中架构问题的关键方法。
虽然我不熟悉Java语言，但我把它分享给我的几个以程序为生的同事后，他们非常喜欢。在介绍深度学习上，书中的实例和书本的总体结构显得非常专业，期待夏天能够出版。
-
《TensorFlow Machine Learning Cookbook》
最后推荐的是《TensorFlow Machine Learning Cookbook》。虽然书中的内容和代码有一些错别字，不过像自然语言处理等内容上，还是列举了许多不错的实例。和其他手册书一样，本书也偏重代码，如果你不太了解卷积神经网络的输入输出，你会被许多基本概念搞晕，买书前如果你已经看过其它的书，并且对书中的例子进行了实战，那么这本书可以给你提供更多的练习与实践。
雷锋网(公众号：雷锋网)提醒，请不要以此书入门，也不建议单独购买此书。
结语
肯定有些书正在编写中，还有些书已经出版，不过我没机会去拜读过，将来有机会读到的话，我会继续推荐的。还等什么呢，抓紧开始吧，深度学习的魔力尽在你的掌握中！
via hackernoon
由浅入深，清华大学邓志东教授的神经网络培训！
该课程将系统介绍人工智能中的神经网络，特别是深度学习的发展现状、基本原理和主要方法。包括：人工智能综述，生物神经系统，人工神经元模型，BP网络，Hopfield网络，深度卷积神经网络（CNN），长短期记忆网络（LSTM）和深度强化学习等。重点分析若干典型CNN模型，并结合具体应用案例，进行编程实操剖析。
课程将补充介绍最新的科研成果与前沿领域（提供50篇以上最原始与最新的人工神经网络代表性英文论文，包括深度学习2016年的最新论文)，强调各种理论方法在解决实际问题中的综合应用。雷锋网倾情推荐！
视频地址：http://www.mooc.ai/course/65
相关文章：
雷锋网版权文章，未经授权禁止转载。详情见。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/84213.html