深度学习入门和学习书籍

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/


展开阅读全文

没有更多推荐了,返回首页