资源 | 深度学习入门和学习书籍

最近很多新入门的同学问我到底怎么入门,今天先给大家推荐一些有用的书籍和简单的入门。希望可以给有需要的朋友一些帮助,谢谢!

最近新出一本学习书籍,是我们学校焦李成老师的新作——《深度学习、优化与识别》 地址:https://www.meipian.cn/ian0d64?from=timeline&isappinstalled=0

深度学习书籍推荐:

  • 深度学习(Deep Learning) by Ian Goodfellow and Yoshua Bengio and Aaron Courville 中文版下载地址:https://github.com/exacity/deeplearningbook-chinese
  • R语言深度学习实践指南(Deep Learning Made Easy with R) by Dr. N.D. Lewis 下载地址:http://download.csdn.net/detail/oscer2016/9829915
  • 深度学习基础(Fundamentals of Deep Learning) by Nikhil Buduma 下载地址:http://www.taodocs.com/p-32598980.html
  • 神经网络和统计学习(Neural networks and statistical learning) by K.-L. Du and M.N.s. Swamy 下载地址:http://download.csdn.net/detail/oscer2016/9829919
  • 神经网络和深度学习(Neural Networks and Deep Learning) by Michael Niels 下载地址:http://download.csdn.net/download/newhotter/9651111

机器学习书籍资源推荐:

  • 机器学习、神经网络和统计分类(Machine Learning, Neural Networks, and Statistical Classification) by D. Michie, D.J. Spiegelhalter, C.C. Taylor 下载地址:http://www1.maths.leeds.ac.uk/~charles/statlog/
  • 贝叶斯推理和机器学习(Bayesian Reasoning and Machine Learning) by David Barber 下载地址:http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.Online
  • 机器学习的高斯过程(Gaussian Processes for Machine Learning) by Carl Edward Rasmussen and Christopher K. I. Williams,The MIT Press 下载地址:http://www.gaussianprocess.org/gpml/
  • 信息理论、推理和学习算法(Information Theory, Inference, and Learning Algorithms) by David J.C. MacKay 下载地址:http://www.inference.phy.cam.ac.uk/mackay/itprnn/book.html
  • 统计学习元素(The Elements of Statistical Learning) by Trevor Hastie, Robert Tibshirani, Jerome Friedman 下载地址:http://statweb.stanford.edu/~tibs/ElemStatLearn/printings/ESLII_print10.pdf
  • 机器学习课程(A Course in Machine Learning) by Hal Daumé III 下载地址:http://ciml.info/
  • 机器学习导论(Introduction to Machine Learning) by Amnon Shashua,Cornell University 下载地址:https://arxiv.org/abs/0904.3664v1
  • 强化学习(Reinforcement Learning) 下载地址:https://www.intechopen.com/books/reinforcement_learning
  • 机器学习导论(Introduction to Machine Learning) - By Nils Nilsson 下载地址:http://ai.stanford.edu/~nilsson/mlbook.html
  • 强化学习(Reinforcement Learning) - MIT Press 下载地址:http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html

现在说说基本的入门:

深度学习(Deep Learning)属于非常前沿的学科,没有现成的的综合型教材,主要是通过阅读大量论文和代码练习来学习。值得读的经典论文很多,下面介绍的一些教程中多少都有提及,另外就是去google重要文献。代码方面推荐使用python为基础的theano框架,因为它比较偏底层,可以从细节掌握如何构建一个深度学习模块,而且方便结合python在数据领域的其它积累,例如numpy。当然到了生产环境你可以再考虑torch之类的框架。从代码角度切入学习的好处是,理解起来不会像理论切入那么枯燥,可以很快做起一个好玩的东西。当然,最后你还是得补充理论的。下面精选介绍一些本人在学习时遇到的好教程。 1、入门首选: http://deeplearning.net/tutorial/ 该站提供了一系列的theano代码示范,通过研究模仿,就可以学会包括NN/DBN/CNN/RNN在内的大部分主流技术。其中也有很多文献连接以供参考。 2、BP神经网络: http://neuralnetworksanddeeplearning.com/ 第1部分的教程中,神经网格的参数是theano自动求导的,如果想深入了解细节,还得手动推导加代码实现一遍。该教程对BP神经网络的理论细节讲的非常好。 3、理论补充: http://goodfeli.github.io/dlbook/ 该书内容比较广泛,虽未最终完成,但已初见气象。用来完善理论知识是再好不过。 4、图像处理中的卷积神经网络: http://vision.stanford.edu/teaching/cs231n/syllabus.html 前面三部分相当于导论,比较宽泛一些,该教程则是专注于卷积神经网络在图像视觉领域的运用,CNN方面知识由此深入。 5、自然语言处理中的深度学习: http://cs224d.stanford.edu/ 本教程则偏重于深度学习在自然语言处理领域的运用,词向量等方面知识由此深入。 6、递归神经网络: http://www.wildml.com/ 该博客讲的RNN是非常棒的系列,不可不读。 7、keras框架: http://keras.io/ keras框架是基于theano的上层框架,容易快速出原型,网站中提供的大量实例也是非常难得的研究资料。 8、深度学习和NLP https://github.com/nreimers/deeplearning4nlp-tutorial/tree/master/2015-10_Lecture 该教程是第5部分的补充,理论讲的不多,theano和keras代码讲的很多,附带的代码笔记很有参考价值。 9、机器学习教程 https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ 牛津大学的机器学习课程,讲到了大量深度学习和强化学习的内容,适合于复习过一遍。 10、搭建硬件平台 http://xccds1977.blogspot.com/2015/10/blog-post.html 到这里,你的理论和代码功力应该差不多入门了,可以组个GPU机器来大干一场了。可以参考笔者这个博客来攒个机器。 11、去kaggle实战玩玩吧 http://www.kaggle.com/

原文发布于微信公众号 - 计算机视觉战队(ComputerVisionGzq)

原文发表时间:2017-06-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

李飞飞CS231n项目:这两位工程师想用神经网络帮你还原买家秀

每当某个明星或者时尚博主在微博或者朋友圈po出一张图,这就是一次低成本的营销机会。随着网购与照片分享变得越来越流行,利用用户原创内容(UGC, User Gen...

7800
来自专栏目标检测和深度学习

16岁高中生夺冠Kaggle地标检索挑战赛!而且竟然是个Kaggle老兵

anokas 赢得了谷歌地标检索挑战赛,在 Reddit 上引起了非常多的讨论,大家都非常关心他的年龄以及是否有其他人帮助。不过在 anokas 的 Kaggl...

12720
来自专栏本立2道生

伪随机数生成算法

伪随机数生成算法在计算机科学领域应用广泛,比如枪击游戏里子弹命中扰动、数据科学里对样本进行随机采样、密码设计、仿真领域等等,背后都会用到伪随机数生成算法。

38820
来自专栏AI科技评论

开发丨图像处理一定要用卷积神经网络?这里有一个另辟蹊径的方法

近年来,卷积神经网络(CNN)以其局部权值共享的特殊结构在语音识别和图像处理等方面得到了快速发展,特别是大型图像处理方面,更是表现出色,逐渐成为了行业内一个重要...

31890
来自专栏人工智能头条

写给大家看的机器学习书【Part5】机器学习为什么是可行的(中)

16650
来自专栏Petrichor的专栏

思考: 现有 图像分割算法 的缺陷

人们在关注图像中的生命个体(尤其是人)的时候,关注点 往往 只是目标的脸和手脚 。这部分区域虽小,却给观者提供了对目标个体进行联想的绝大部分信息。

23020
来自专栏机器之心

计算语言顶会ACL 2018最佳论文公布!这些大学与研究员榜上有名

1. Finding syntax in human encephalography with beam search(尚未公开)

13400
来自专栏新智元

【NLP2005年以来大突破】语义角色标记深度模型,准确率提升10%

【新智元导读】被称为取得了NLP “2005 年以来首个大突破”的研究报告 Deep Semantic Role Labeling: What Works an...

36030
来自专栏机器人网

机器人运动学之连杆笑你不会看平面三维图

前面我们已经对变换已经有一定了解了,是时候该放到机器人上去实践一下了。当然,我们的实践目标还是臂式机器人。

16230
来自专栏机器学习算法工程师

一种简单有效的网络结构搜索

这篇文章主要介绍了一种方法用于解决网络结构搜索中,搜索空间过大且训练时间过长,算力要求过高的问题。运用了爬山算法来搜索优秀的网络结构,主要是用了一个很nb的技术...

13910

扫码关注云+社区

领取腾讯云代金券