作者的图像

我为黑客写了一份人工智能路线图，并提到了几本书。

在本文中，我们将只看5本在理论和实践之间取得康健平衡的书。

你不须要所有5本书。

只需选择那些你以为有趣并且会真正阅读的。

不要以“我想学习深度学习，以是我该当读整本书”开始。
大概这对一些喜好自下而上的方法、阅读硬观点并沉浸在统统的人中是可行的，但就我个人而言，当我为特定目的阅读时，我有更多的内在动力。

假设我想建立一个可以预测下一个单词的模型，我会打开这些书，然后转到NLP部分，翻阅这些章节，编写一些代码，并构建NLP的生理舆图，培养这个项目所需的基本技能。

以是，只要挑选你个人以为有趣的书本和部分。

利用PyTorch和Scikit-Learn进行机器学习

Sebastian Raschka、Yuxi Liu、Vahid Mirjalili

这本书由Sebastian Raschka撰写，他曾是威斯康星大学麦迪逊分校的教授，现在是LightningAI的员工研究工程师。
他有一份很棒的人工智能时势通讯，叫做《AI之前》。

这本书涵盖了传统的机器学习和深度学习。

我特殊喜好“深入——PyTorch的力学”一章

文章

以及GANs、图形神经网络和强化学习的教章员。

链接文章GitHub奥莱利深度学习小书

弗朗索瓦·弗勒雷特

教授，日内瓦大学机器学习小组组长弗朗索瓦写了这本书，作为对深度学习的简短先容，该书最初设计用于在手机屏幕上阅读。

他还在日内瓦教授一个全面的深度学习课程，该课程是开源的UNIGE 14x050——深度学习

下面是这本书的预览

深入深度学习

Aston Zhang，Zack C.Lipton，Mu Li，Alex J。
斯莫拉

Dive into Deep Learning是一本开源教科书，个中包含利用PyTorch、NumPy/MXNet、JAX和TensorFlow实现的代码片段。

它已被70个国家的500所大学采取。

如果你想深入理解本日的深度学习景不雅观，这些章节便是你所须要的：卷积神经网络（CNN）和当代CNN，循环神经网络（RNN）和当代RNN，以及把稳力机制和变压器。

还有这个有用的章节：深度学习工具，如AWS EC2、Amazon Sagemaker、Google Colab和选择GPU

链接网站GitHub理解深度学习

西蒙·J·D.王子

西蒙·J·D.巴斯大学打算机科学名誉教授Prince在推特上发布了他的书。

它开始根本，监督学习，然后是浅层和深层神经网络，拟合模型，反向传播，然后是CNN和剩余网络，末了是变压器和GAN和扩散。

这本书以两个有趣的章节结束：“为什么深度学习有效”和人工智能的伦理。

他发布了大量python条记本，供您练习编写代码，从中性网络和反向传播到自我关注和扩散编码器。
它将确保你内在教科书中学到的东西。

网站

他还写了几篇关于节制措辞模型的文章。

链接网站GitHub深度学习

Ian Goodfellow、Yoshua Bengio和Aaron Courville

这是每个人都推举的深度学习教科书。

Vikas Parachuri从对深度学习一无所知到培训SOTA OSS模型，他最近加入了Jeremy Howard的新AI研发实验室Answer.AI。

他建议如下：

逐步读。
很多术语和数学都会很陌生——查一下。
您可能须要勾勒出一些东西或编写代码来得到它们——给自己空间来做这件事。
如果数学不熟习，一个好的补充资源是机器学习的数学。

只管在一个统统都向变压器发展的天下里，像CNN或RNN这样的架构可能彷佛过期了，但CNN仍旧被广泛利用，RNN的所有旧东西都是新的。

当你完成这本书的前两部分（你可以跳过第3部分）时，你该当处于一个可以用普通numpy（向前和向后通报）编码任何紧张神经网络架构的点。

链接网站演讲会深度学习书伴侣***