如何快速入门人工智能算法-系统性学习推荐书籍

全书分为三部分，分别介绍机器学习相关的数学基础（第一部分）；近年来人工智能领域最为火爆的深度学习（第二部分）；机器学习领取其他尚待进一步研究的领域（第三部分）。

第一部分“应用数学与机器学习基础”导读：如果接受过大学本科理工科专业学位的学习，对第一部分中线性代数（第二章），概率与信息论（第三章）和数值计算（第四章）的内容应该都不会陌生；有了这些数学基础，可以开始通过第五章了解机器学习的基础，包括基本概念，经典算法，以及对机器构建学习算法的套路的概括。

第二部分“深度网络：现代实践”导读：这一部分是对当下最为火爆的基于深度神经网络的学习算法的介绍，第六章深度前馈网络介绍了深度神经网络的总体框架，包括神经网络结构和核心学习算法；第七章深度学习中的正则化和第八章深度模型中的优化介绍了深度学习中常见的欠拟合、过拟合、梯度消失等问题及其对策；接下来隆重出场的是深度学习的代表第九章介绍的卷积神经网络和第十章介绍的循环和递归网络，哥俩凭借在图像识别和语音处理领域的卓越表现直接带动了近几年来的人工智能的热潮。利用之前的学习掌握好基本工具后，后面的第十一章实践方法论和第十二章应用，着眼于具体的应用和在实战中遇到的模型、参数选择等问题的建议。

第三部分介绍了诸多机器学习领域尚待进一步研发的课题，为未来机器学习和人工智能的进一步发展提供了一些有用的研究方向。其中一些典型算法及其变种实际已经在很多领域得到应用。像自编码器（第十四章）的概念在图像压缩，无线通信里面的信道压缩反馈里面都有不错的应用；像结构化概率模型（第十六章）的基本思想在无线通信里面的信道解码领域里面用的很多了（因子图，belief propagation，sum/max-product algorithm）。

如果想简单了解机器学习的经典算法，顺便学习一下Python，快速上手学习一些实战经验，建议读一下：

“Machine Learning in Action” by Peter Harrington (https://www.manning.com/books/machine-learning-in-action)

虽然近年来以卷积神经网络和循环神经网络为代表的深度学习算法以其在图像识别和语音处理领域的卓越表现吸引了大量的眼球，但是机器学习博大精深，而现实生活中大量的数据挖掘，大数据处理问题并非都依赖于深度学习算法。很多经典的机器学习算法在很多实际问题上反而发挥出简单实用的优势。推荐的这本书介绍了经典的kNN（k-近邻）、决策树、朴素贝叶斯、逻辑回归、支持向量机、AdaBoost集成、分类回归树、k-means（k-均值）聚类、Apriori等算法，并且通过手把手的代码编写案例教人将机器学习算法实际落地。这本书中所有机器学习算法的代码实现都是在Python中开发的。书中在适当的位置穿插介绍了Python相关的基础知识，如介绍数学计算所需的NumPy库（第一章），图像显示用的Matplotlib库（第二、三章），建立GUI使用的Tkinter库。

如果想简单了解最潮的深度学习工具TensorFlow，建议读一下：

《TensorFlow实战Google深度学习框架》 作者：才云科技Caicloud，郑泽宇，顾思宇

这本书的撰写思路优点类似上面介绍的“Machine Learning in Action”，从实战的角度介绍利用TensorFlow开发深度学习算法。书中首先介绍了TensorFlow环境的搭建（第二章），接着介绍了TensorFlow环境下进行机器学习算法开发的总体项目框架，接下来以数字识别，图像识别等具体案例深入浅出的介绍了深度网络和卷积神经网络的基本技术背景和TensorFlow代码实现（第四、五、六、七章），然后以自然语言处理等为案例介绍了循环和递归网络（第八章）。