7本必看入门深度学习书籍

对于入门深度学习的书籍,计算机视觉专家 Adrian Rosebrock 最近写了篇非常实用的书单,给深度学习新手推荐了7本书籍,最最重要的是,告诉了你最适合看哪些书。

这些书中,有一些理论深厚,主要专注于神经网络和深度学习背后的数学知识以及相关的设想。另一些则完全从实际出发,它们通过代码而不是理论来教会你深度学习。

还有一些书则兼顾理论和实践,在让你亲身实践的同时提供给你一定的理论知识,并且让你亲自实现这些理论算法来进行学习(这种书籍谁不爱呢)。

下面我们会谈谈每一本书所涉及的核心内容、目标读者以及这本书是否适合你。

在选择一本书之前,最好评估一下自己的个人学习风格,这能使你更充分地利用书籍并从中得到最大的收获。


首先问自己以下几个问题:

什么才是我学习的最好方式?我是更喜欢从理论文字中获取知识呢?还是更希望从代码片段和具体实现中汲取营养?

每个人都有自己独特的学习风格,而你自己最好的学习方式又决定了你应该看哪些书籍。

比如对于有些人来说,喜欢在理论和实践之间取得平衡,因此很适合看兼顾理论和实践的书籍。太过理论或者抽象的深度学习书籍只会让他们感到枯燥无味,怕是会看得要睡着了。但话说回来,如果一本深度学习书籍完全跳过理论而直接进入具体的代码实现中,那么读者会错过核心的理论基础,而这些东西能够帮我们解决新的深度学习问题或项目。因此就他们而言,一本优秀的书籍需要在这两者之间寻求一个平衡。

我们需要理论来帮助自己理解深度学习的核心基础,同时也需要应用和代码来帮助我们加深学到的知识。

书籍1——《Deep Learning》

如果要写一篇关于最棒的深度学习书目的博客,那就不得不提 Goodfellow, Bengio, 和 Courville 三位大师的《Deep Learning》。本书中文版为《深度学习》,译者:赵申剑、黎彧君、符天凡和李凯。

这是一本教授深度学习有关的基本原理和理论的大学教材。Goodfellow 等人的《Deep Learning》是一本纯粹的理论书籍,它面向的是学术界的读者,全书中没有一点代码。

本书首先讨论了机器学习的基础知识,包括从学术观点出发的学习深度学习(线性代数、概率论和信息论等)所必需的应用数学知识。

随后深入探讨了现代深度学习算法和技术。在最后,本书重点关注了当前的深度学习的研究趋势和深度学习领域的新动向。

如果符合下面的条件,你应该读读这本书:

  • 相较于实践,你更喜欢理论知识
  • 喜欢学术作品
  • 你是一个从事深度学习研究的教授、本科生或研究生

书籍2 —— 《Neural Networks and Deep Learning》

第二本要推荐的深度学习理论书籍是 Michael Nielsen 的著作《Neural Networks and Deep Learning》。

这本书中总共有 7 段 Python 代码,它们利用 MNIST 数据集讲述了各种机器学习、神经网络和深度学习技术的基础知识,对阐释书中讲到的理论概念大有帮助。

如果你是一个刚入门机器学习和深度学习的新手,并且急切地想深入理论领域里,那么这本书应是你的首选。

此书相比 Goodfellow 的《Deep Learning》更加易读,并且 Nielsen 的写作风格配上书中的代码片段也使得读完这本书更加容易。

在本书官网上可免费阅读电子版,网上有分享的对应中文版资源,可自行寻找。

如果符合下面的条件,那么你就应该读一读这本书:

  • 你正在寻找一本深度学习的理论书籍
  • 你是一个机器学习或深度学习领域的新手并且更倾向于从学术角度来深入了解该领域

书籍3——《Deep Learning with Python》

Google AI 研究人员,以及颇受欢迎的流行的深度学习库 Keras的作者Francois Chollet,在2017年10月份写下了这本《Deep Learning with Python》。

这本书从实践者的角度讲解深度学习,虽然书中也提到了一些理论知识,但是每隔几个段落,都会教你如何用 Keras 去实现相关技术

Francois 在书中提供了许多将深度学习应用于计算机视觉、文本、序列等方面的例子,对于想要在学习机器学习和深度学习的同时也了解 Keras 的读者来说,这本书涵盖的内容非常全面

本书内容不仅简洁易懂,而且作者对于深度学习的趋势和历史的一些看法同样令人印象深刻。

需要注意的是这本书并不是一本非常深入的深度学习书籍,它最重要的作用在于通过使用 Keras 库写一些各种各样实际的深度学习示例来教你领会深度学习的基础概念。

如果符合下面的条件,那么你就应该读一读这本书:

  • 你对 Keras 库非常感兴趣
  • 你更喜欢通过实践进行学习
  • 你想要快速理解深度学习是如何应用到不同的领域中的,比如计算机视觉、序列学习和文本分析等

书籍 4 ——《Hands-On Machine Learning with Scikit-Learn and TensorFlow》

有些人第一次购买 Aurélien Géron 的 Hands-on Machine Learning with Scikit-Learn and TensorFlow ,并不太确定能学到什么,只当它只是一本机器学习的基本介绍,如果不是题目里有 “TensorFlow”,估计会完全无视它。

比如有人就觉得给原本就很长的书名后面再加个TensorFlow,这是为了增加发行量而采取的市场伎俩,毕竟对深度学习感兴趣的人那么多,对吧?

但是如果这么想,那就错了,这是一部非常优秀的作品,书不可貌相啊。

这本书主要分为两个部分。

  • 第一部分涵盖了机器学习的基础算法,如支持向量机、决策树、随机森林、集成方法和一些基本的非监督学习算法,每一种算法还有附带的 Scikit-learn 示例。
  • 第二部分则通过 TensorFlow 库讲解了深度学习的基础概念。

如果符合下面的条件,那么你就应该读一读这本书:

  • 你是一个机器学习新手,并且希望通过代码示例入门机器学习的核心原理
  • 对流行的 scikit-learn 机器学习库感兴趣
  • 想快速学习如何使用 TensorFlow 库完成基本的深度学习任务

书籍5——《TensorFlow Deep Learning Cookbook》

如果你喜欢“代码多理论少”这样的教学风格,那么我建议你读一读 Gulli 和 Kapoor 的 《TensorFlow Deep Learning Cookbook》。

这本书是完全手把手讲解,并且也是一本非常好的 TensorFlow 参考书。 它不教授深度学习,而是向你展示在深度学习中,如何使用 TensorFlow 库。

不要误会 —— 跟着这本书你绝对能够学到新的深度学习概念、技术和算法,但这本书采取了更加实战化的方式:包含大量的代码以及对这些代码的讲解。

不过本书唯一的缺点就是其中有不少错别字,但对于一本以代码为中心的书这是预料之中的。错别字无法避免,阅读之时一定要细心。

如果符合下面的条件,那么你就应该读一读这本书:

  • 已经学习了深度学习的基本概念
  • 对 TensorFlow 库感兴趣
  • 喜欢提供解决问题的代码但不关心底层的理论这样的“手把手”教学方式

书籍6——《Deep Learning: A Practitioners Approach》

大部分的深度学习书籍中含有 Python 代码示例,但 Adam Gibson 和 Josh Patterson 的著作《Deep Learning: A Practitioners Approach》采用了Java 和 DL4J 库。

在这本书的前几个章节里, Gibson 和 Patterson 讨论了机器学习和深度学习的基本知识,剩下的部分则涵盖了使用 DL4J 库写成的 Java 深度学习代码。

如果符合下面的条件,那么你就应该读一读这本书:

  • 你在平时工作学习中要用到 Java 语言
  • 你所在的公司或单位主要使用Java编程
  • 你想要知道如何使用 DL4J 库

书籍7——《Deep Learning for Computer Vision with Python》

由计算机视觉专家Adrian Rosebrock编写的《Deep Learning for Computer Vision with Python》被评为当前最好的深度学习和计算机视觉资源之一。

Google 的 AI 研究员和 Keras 库的作者Francois Chollet对于本书做出过这样的评价: 这是一部关于计算机视觉的卓越的、深入且实用的深度学习实践作品。我认为它非常易读易懂:书中的解释清晰而又详细。在书中你能够找到许多在其他书籍或大学课程中难以见到的实用的建议。对于从业者和初学者,我强烈推荐这本书 —— Francois Chollet

如果你对在计算机视觉(图像分类,对象检测,图像理解等)中应用深度学习有兴趣,那这本书再好不过了。

在这本书中,你将能够: 理论和实践并重地学习机器学习和深度学习的基础内容 学习先进的深度学习技术,包括对象检测、多GPU训练、迁移学习以及生成对抗网络等 复现最前沿的论文成果,包括ResNet、 SqueezeNet、 VGGNet以及其他存在于 ImageNet 数据集中的成果

除此之外,书籍还兼顾理论和实践两者之间的平衡,对每一个深度学习理论,都会有一个关联的 Python 实现来帮助你巩固对其的理解和学到的知识。

如果符合下面的条件,那么你就应该读一读这本书:

  • 你对将深度学习应用于计算机视觉和图像理解上有着特别的兴趣
  • 你喜欢的学习方式是兼顾理论和实践
  • 你想要一本能使复杂的算法和技术变得简单易懂的深度学习书籍
  • 你想拥有一本清晰易懂的书籍引导你探索深度学习的奥秘

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

原文发表时间:2018-06-12

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

来自专栏企鹅号快讯

NEC开发了深度学习自动优化技术、更易于提高识别精度

近日,NEC宣布开发了更易于提高识别精度的深度学习自动优化技术。 以往进行深度学习时,很难基于神经网络构造(注1)进行调整,所以无法在整个网络进行最优化的学习,...

21560
来自专栏AI科技大本营的专栏

翻译们又要失业?Facebook最新无监督机器翻译成果,BLEU提升10个点!

神经机器翻译(NMT)关注的是通过 AI 在不同人类语言之间进行翻译的过程。2015 年,蒙特利尔学习算法研究所的研究人员开发出了一项新的算法模型,最终让机器给...

20240
来自专栏CDA数据分析师

数据科学人才: 如何顺藤摸瓜提高你的竞争力

摘要 基于一项针对620多位数据专家的调查研究,我们发现数据科学技能分为三个分支:行业知识背景(本文特指商业),技术/编程和数学/统计。这项研究将影响目前数据科...

249100
来自专栏null的专栏

[置顶] 《Python机器学习算法》的写作历程

前言 首先,感谢各位支持我博客的同学,你们的支持是我一直努力的动力,正是因为你们的支持,才有了《Python机器学习算法》一书的面世: ? 目前,该书已经可以在...

43250
来自专栏PPV课数据科学社区

【学习】从回归分析到数据挖掘

回归分析是研究两种或两种以上变量之间相互依赖的定量关系的统计分析方法,在很多行业都有广泛的应用。无论是银行、保险、电信等服务行业的业务分析人员在进行数据库营销、...

32150
来自专栏机器之心

学界 | 用量子计算辅助深度学习:研究者提出量子辅助Helmholtz机

选自arXiv 作者:MarcelloBenedetti等 机器之心编译 参与:Panda 人工智能和量子计算毫无疑问是当前计算领域大变革中两大最有发展潜力的技...

38480
来自专栏机器之心

Yoshua Bengio首次中国演讲:深度学习通往人类水平AI的挑战

11 月 7 日,Yoshua Bengio 受邀来到北京参加第二十届「二十一世纪的计算」国际学术研讨会。会上以及随后受邀前往清华时,他给出了题为「深度学习通往...

8220
来自专栏ATYUN订阅号

机器学习的核心:优化的简介

优化是几乎所有机器学习和统计技术的核心。在本文中,我们讨论最流行的机器学习和统计建模方法背后的核心优化框架。通常,数据科学(DS)和机器学习(ML)的新手通常被...

11620
来自专栏深度学习与数据挖掘实战

干货|专访ImageNet冠军颜水成团队,如何将比赛成果在企业中落地?

2017 年 7 月 26 日,计算机视觉顶会 CVPR 2017 同期举行的 “超越 ILSVRC” Workshop 上,宣布计算机视觉乃至整个人工智能发展...

39120
来自专栏机器之心

学界 | CoRL 2018最佳系统论文:如此鸡贼的机器手,确定不是人在控制?

与物体进行交互的操作是机器人技术中最大的开放问题之一:在开放的世界环境中智能地与以前没有见过的物体进行交互需要可以泛化的感知、基于视觉的闭环控制和灵巧的操作。强...

10220

扫码关注云+社区

领取腾讯云代金券