你是否希望深入学习深度学习? 如果你有这方面的意愿, 请不要辜负我的整理工作, 这是 2019 年最佳机器学习和深度学习书籍清单:
- .Deep Learningby Ian Goodfellow, Yoshua Bengio, Aaron Courville
- .Grokking Deep Learningby Andrew W.Trask
- .Deep Learning with Pythonby Francois Chollet
.Hands-On Machine Learning with Scikit-Learn and TensorFlowby Aurélien Géron
.Reinforcement Learning: An Introduction (2nd Edition)by Richard S. Sutton, Andrew G. Barto
- .Deep Reinforcement Learning Hands-Onby Maxim Lapan
- .Learning From Databy Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin
- .The Book of Whyby Judea Pearl, Dana Mackenzie
- .Machine Learning Yearningby Andrew Ng
- .Interpretable Machine Learningby Christoph Molnar
- .Neural Networks and Deep Learningby Michael Nielsen
- Deep Learning
"深度学习" 的封面
作者: Ian Goodfellow,Yoshua Bengio,Aaron Courville.
在哪里可以得到它: 在这里免费 https://www.deeplearningbook.org/ 阅读 https://www.deeplearningbook.org/ .
补充: 你还可以获得带幻灯片和练习 http://www.deeplearningbook.org/exercises.html 的讲座(GitHub repo https://github.com/goodfeli/dlbook_exercises ).
类别: 深度学习.
这本书被广泛认为是深度学习的 "圣经", 它由三位专家撰写, 其中包括该领域的教父级人物, 这是你能找到的关于深度学习最全面的书. 这本书非常具有技术性, 但作者在前面做了大量的基础介绍.
书摘:
深度学习是一种机器学习形式, 它使计算机能够从经验中学习, 并根据概念层次来理解世界. 因为计算机从经验中收集知识, 所以不需要人类计算机操作员教计算机所需的知识. 概念的层次结构允许计算机通过用简单的概念来构建它们学习复杂的概念, 本书介绍了深度学习的广泛主题.
本书提供大量的数学介绍, 包含线性代数, 概率论和信息论, 数值计算和机器学习中的相关概念. 它描述了业内从业者使用的深度学习技术, 包括深度前馈网络, 正则化, 优化算法, 卷积网络, 序列建模和一些实用方法; 它剖析了自然语言处理, 语音识别, 计算机视觉, 在线推荐系统, 生物信息学和视频游戏等应用. 最后, 本书提供了研究视角: 涵盖线性因子模型, 自动编码器, 表示学习, 结构化概率模型, 蒙特卡罗方法, 分区函数, 近似推理和深度生成模型等理论主题.
Grokking Deep Learning
"Grokking Deep Learning" 的封面
作者: Andrew W. Trask
补充: 你可以在 GitHub 上 https://github.com/iamtrask/Grokking-Deep-Learning 找到该书的代码 https://github.com/iamtrask/Grokking-Deep-Learning .
类别: 深度学习.
关于读者: 适用于具有高中数学和中级编程技能的读者.
Andrew Trask 是 OpenMined https://www.openmined.org/ 背后的力量 https://www.openmined.org/ :OpenMined https://www.openmined.org/ 是一个开源社区, 专注于研究, 开发和推广用于安全, 隐私保护的人工智能的工具. 这可能是你了解深度学习如何在幕后工作的最佳方法.
书摘:
Grokking Deep Learning 教你从头开始构建深度学习神经网络! 经验丰富的深度学习专家 Andrew Trask, 在他引人入胜的风格中向你展示了引擎盖下的科学, 因此你可以自己研究训练神经网络的每一个细节. 你将只使用 Python 及其数学支持库 NumPy 训练自己的神经网络, 其中包括: 查看和理解图像, 将文本翻译成不同的语言, 甚至像莎士比亚一样写作!
Deep Learning with Python
"用 Python 深度学习" 的封面
作者: Francois Chollet
补充: 你可以在 GitHub 上找到伴随代码.
类别: 深度学习.
关于读者: 读者需要中级 Python 技能, 可以没有使用 keras,TensorFlow 或机器学习的经验. Keras https://keras.io/ 发明家带你深度学习的迷人的迷宫, 与 Grokking Deep Learning 类似, 本书在理论和编码之间取得了适当的平衡.
书摘:
使用 Python 深度学习使用 Python 语言和强大的 Keras 库引入深度学习领域. 本书由 Keras 创建者和 Google AI 研究员 FrançoisChollet 撰写, 通过直观的解释和实际例子构建你的理解. 你将在计算机视觉, 自然语言处理和生成模型中应用具有挑战性的概念和实践. 当你完成时, 你将拥有在项目中应用深度学习的知识和实践技能.
Hands-On Machine Learning with Scikit-Learn and TensorFlow(构建智能系统的概念, 工具和技术(第 2 版))
"学习机器学习与 Scikit-Learn,Keras 和 TensorFlow: 构建智能系统的概念, 工具和技术 - 第一版和第二版" 的封面
作者: AurélienGéron
补充: 你可以在 GitHub 上 https://github.com/ageron/handson-ml 找到书中代码 https://github.com/ageron/handson-ml
分类: 机器学习和深度学习;
Aurélien 作为一个伟大的思想交流者, 非常擅长使用例子来简化复杂的知识点. 在学习本书的过程中, 你可以很快的将知识应用实际生产中, 要了解他的激情和沟通风格, 请查看他的 YouTube 频道.
书摘:
通过最近的一系列突破, 深度学习推动了整个机器学习领域的发展. 现在, 即使对这项技术几乎一无所知的程序员也可以使用简单有效的工具来实现从数据中学习的程序.
这本畅销书的更新版本使用了具体的例子, 最小的理论和两个生产就绪的 Python 框架 - Scikit-Learn 和 TensorFlow 2.0, 这样可以更好的帮助你直观地理解构建智能系统的概念和工具. 从业者将学习一系列可以在工作中快速使用的技术: 第 1 部分使用 Scikit-Learn 来介绍基本的机器学习任务, 例如简单的线性回归. 第 2 部分已经进行较大篇幅的更新, 采用 Keras 和 TensorFlow 2.0 引导读者使用更先进的机器学习方法: 深度神经网络. 通过每章的练习来帮助你应用所学知识, 你只需要有编程经验即可开始使用.
第二版的新功能: 更新了 TensorFlow 2.0 的所有代码, 介绍了高级 Keras API, 新的扩展范围包括 TensorFlow 的 Data API,Eager Execution,Estimators API, 处理时间序列, 嵌入等等.
Reinforcement Learning: An Introduction (2nd Edition)
"强化学习: 简介(第 2 版)" 封面
作者: Richard S. Sutton,Andrew G. Barto.
补充: 你可以免费阅读第 2 版的最终草稿.
分类: 机器学习, 强化学习, 深度学习, 深度强化学习, 人工智能.
如果 Deep Learning 被认为是深度学习的圣经, 那么这本杰作可以获得强化学习的称号. 如果你想在 RL 开始, 这就是入口. 就如你所想象的那样, 这是一个非常技术性的书. 我建议你在每章后休息一下, 思考并实践一下其中的算法.
书摘:
强化学习是人工智能中最活跃的研究领域之一, 它是一种计算学习方法, 通过这种方法, 代理人试图在与复杂, 不确定的环境进行交互时最大化其获得的奖励总额. 在强化学习中, 理查德萨顿和安德鲁巴托提供了关于该领域关键思想和算法的清晰且简单的说明.
第二本与第一版一样, 侧重于在线学习算法, 在阴影框中设置了更多的数学材料. 第一部分涵盖了尽可能多的强化学习, 本部分介绍的许多算法都是第二版的新算法, 包括 UCB,Expected Sarsa 和 Double Learning. 第二部分将这些想法扩展到函数逼近, 其中涉及人工神经网络和傅里叶基础等主题, 并且提供了对梯度策略方法的扩展处理. 第三部分是有关于强化学习与心理学和神经科学的关系的新章节以及一个新的研究章节, 包括 AlphaGo 和 AlphaGo Zero,Atari 游戏和 IBM Watson 的投注策略, 最后一章讨论了强化学习对未来社会的影响.
Deep Reinforcement Learning Hands-On
"动手深层强化学习" 的封面
作者: Maxim Lapan.
补充: 你可以在 GitHub 上找到书中代码.
分类: 机器学习, 强化学习, 深度学习, 深度强化学习, 人工智能.
本书通过平衡理论与编码实践, 为 RL 提供了一种实用的方法. 阅读这本书的时候, 你需要有大量的基础知识才能更好的理解算法背后正在发生的事情, 这是我认为在 RL 领域最好的实用书籍.
书摘:
强化学习 (RL) 正在与深度学习 (DL) 相结合, 在训练代理人以类似人的方式解决复杂问题方面取得了前所未有的进步. 谷歌利用算法击败了著名的 Atari 街机游戏玩家, 显示了该领域的发展潜力, 研究人员正在快速创造新的想法.
Deep Reinforcement Learning Hands-On 是最新 DL 工具及其局限性的综合指南. 在将它们应用于实际环境之前, 你将接触包括交叉熵和梯度策略的方法. 本书将介绍 RL 的基础知识, 为你提供编码智能学习代理的专业知识, 以承担一系列艰巨的实际任务. 了解如何在 "网格世界" 环境中实施 Q-learning, 教你的代理购买和交易股票, 并了解自然语言模型如何推动聊天机器人的繁荣.
Learning From Data
"从数据中学习" 的封面
作者: Yaser S. Abu-Mostafa,Malik Magdon-Ismail,Hsuan-Tien Lin.
类别: 机器学习.
补充: 你可以找到本书的讲座 http://work.caltech.edu/lectures.html 和视频.
如果你想学习机器学习的关键概念, 那么你一定会喜欢这本书, 因为它易于理解, 简单而直观, 它可能是 Andrew Ng 课程开始之后的最佳资源!
书摘:
本书提供了机器学习的完整介绍, 书中的技术被广泛应用于工程, 科学, 金融和商业. 本书是为机器学习的短期课程而设计的, 在十多年的探索后, 作者已经提炼出了每个学生应该知道的核心主题. 此外, 读者可以免费访问作者根据机器学习的当前趋势更新的在线电子章节, 例如深度学习和支持向量机. 作者希望读者可以通过阅读书籍来了解该主题的所有基础知识. 从数据中学习具有独特的理论和实践轨迹, 在本书中, 作者平衡了理论和实践, 数学和启发式: 建立学习概念框架的理论, 以及影响实际学习系统性能的启发式方法. 因为本书的作者是加州理工学院 (Caltech), 伦斯勒理工学院(RPI) 和国立台湾大学 (NTU) 的教授, 所以非常强调基础知识的学习.
The Book of Why
"The Book of Why" 的封面
作者: Judea Pearl,Dana Mackenzie.
分类: 数据科学, 人工智能和机器学习.
来源: https://yq.aliyun.com/articles/694996