五本必读的深度学习圣经书籍,入门 AI 从「深度学习」开始

(以下以 Daniel Jeffries 第一人称撰写) 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。然而近两年,AI 在一些领域陆续有了重大突破,像是图像识别、自动驾驶、Alpha Go 等等。许多八九十年代的算法,因为硬体速度慢和缺乏数据等原因而不再被使用。而现在,受众多大数据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,研究人员竞相出版专着,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。我有幸提前拜读了一些专着的初稿,这些书的最终出版让人期待万分。

接下来我将推荐一些深度学习书籍给大家。这些书可以引导大家如何学习人工智能,这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,我承认在周末或者在拉斯维加斯的时候,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, 给一个明确的背景资讯,然后根据实例自己动手实践。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,或者列举大量的实例,却不解释问题的来龙去脉,你还看的下去吗?

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。

《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着。

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涩。尽 Goodfellow 希望能传授读者更多的知识,但该书读起来却比较乏味,不能引人入胜。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淮备初次踏入 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github.com/exacity/deeplearningbook-chinese

《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》。在我的印象中,这本书有详尽的实例和相应代码,两者完美结合。我读过在 Safari 的在线丛书初稿,当时许多部分没有写完,而且网站还将一些公式转换的莫名其妙,但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实质的跃进,完美诠释了作者的观点和採用的实例。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,建议读者看第一遍的时候,不要去管那些公式,以后需要时再去深入推敲。

《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。但透过 Manning 的 MEAP 系统可以阅读前三章的内容,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 ,他神奇的将复杂概念简单化,文中措词巧妙,可读性强。 即使是 AI 和深度学习中最具挑战性的概念,他也同样解释的通俗易懂。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。随着越来越接近正式出版,这本书也越来越完整。请关注支持作者,且同时,尽量能先在 MEAP 上跟进阅读,留言给作者,来让这本书更完善。

《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,Java 的使用可能会逐渐增多。由于 Java 拥有庞大的生态系统,现在的大公司里,它仍然是主要的开发工具。 这本书的读者设定是深度学习的初学者。因此,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 实现深度学习的话,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 也不太熟悉的话,那么这本书值得你细细研读。 尤其是第 4 章「出色的深度学习架构」,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写程式的同事后,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。

《TensorFlow Machine Learning Cookbook》

最后推荐的是《TensorFlow Machine Learning Cookbook》。虽然书中的内容和编码有一些错别字,不过在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,本书也偏重编码,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。 但请不要把此书当作入门书,也不建议单独购买此书 。

原文发布于微信公众号 - 机器人网(robot_globalsources)

原文发表时间:2017-10-21

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PPV课数据科学社区

【学习】Spss 聚类分析案例—某移动公司客户细分模型

聚类分析在各行各业应用十分常见,而顾客细分是其最常见的分析需求,顾客细分总是和聚类分析挂在一起。 顾客细分,关键问题是找出顾客的特征,一般可从顾客自然特征和消费...

7109
来自专栏AI科技评论

开发 | 入门深度学习,读对书很重要

AI科技评论按: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...

36211
来自专栏华章科技

机器学习进阶路上的五个境界

关于机器学习,这个话题最近实在太火了,甚至有些虚火了。有了虚火,就容易有泡沫。大浪淘沙,要想在数据科学这个行业生存下来,任何一个从业者都需要认清自己的位置,每上...

1043
来自专栏新智元

【圣诞快乐】这是一首 AI 创作的圣诞歌

【新智元导读】 AI 能为人类做什么?平安夜,来听一首AI 创作的圣诞歌吧。(虽然有点跑调)祝读者朋友们圣诞快乐! “神经网络卡拉OK”程序能够产生任何形式的数...

3294
来自专栏CreateAMind

AI Insight:放弃幻想,搞 AI 必须过数学关

从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑...

1473
来自专栏腾讯大数据的专栏

浅谈大数据应用研究的3个V

To knowledge是目标,手段还是mining,俗称数据民工。每当大家讲到大数据,都会不约而同的提到大数据几个V的定义:Volume,Variety,Ve...

2118
来自专栏数据观有话说

关于“数据可视化思考者”的8条军规

经常在网络上看到这样的问题:“从零开始学习数据可视化,需要怎么开始?”《Data at Work》一书的作者Jorge Camoes在一次演讲中,提出了“数据可...

2407
来自专栏牛客网

【数据挖掘面经】腾讯+百度+华为(均拿到sp offer)

1.2K4
来自专栏AI科技大本营的专栏

文因互联鲍捷:深度解析知识图谱发展关键阶段及技术脉络 | 公开课笔记

知识图谱是人工智能三大分支之一——符号主义——在新时期主要的落地技术方式。该技术虽然在 2012 年才得名,但它的历史渊源,却可以追溯到更早的语义网、描述逻辑、...

1425
来自专栏大数据挖掘DT机器学习

中文情感分析 (Sentiment Analysis) 的难点在哪?

作者:容哲 假设分析的对象是iphone5s的手机评论。从京东、亚马逊或者中关村都可以找到这款手机的评论。大致都如图所示。 ? 情感分析(Sentimen...

5876

扫码关注云+社区

领取腾讯云代金券