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健康平衡的书。
你不需要所有5本书。
只需选择那些你觉得有趣并且会真正阅读的。
不要以“我想学习深度学习，所以我应该读整本书”开始。也许这对一些喜欢自下而上的方法、阅读硬概念并沉浸在一切的人中是可行的，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的心理地图，培养这个项目所需的基本技能。
所以，只要挑选你个人觉得有趣的书籍和部分。
使用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事通讯，叫做《AI之前》。
这本书涵盖了传统的机器学习和深度学习。
我特别喜欢“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介绍，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，其中包含使用PyTorch、NumPy/MXNet、JAX和TensorFlow实现的代码片段。
它已被70个国家的500所大学采用。
如果你想深入了解今天的深度学习景观，这些章节就是你所需要的：卷积神经网络（CNN）和现代CNN，循环神经网络（RNN）和现代RNN，以及注意力机制和变压器。
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.巴斯大学计算机科学名誉教授Prince在推特上发布了他的书。
它开始基础，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，最后是变压器和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笔记本，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
他还写了几篇关于掌握语言模型的文章。
链接网站GitHub深度学习Ian Goodfellow、Yoshua Bengio和Aaron Courville
这是每个人都推荐的深度学习教科书。
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：
慢慢读。很多术语和数学都会很陌生——查一下。您可能需要勾勒出一些东西或编写代码来获得它们——给自己空间来做这件事。如果数学不熟悉，一个好的补充资源是机器学习的数学。
尽管在一个一切都向变压器发展的世界里，像CNN或RNN这样的架构可能似乎过时了，但CNN仍然被广泛使用，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，你应该处于一个可以用普通numpy（向前和向后传递）编码任何主要神经网络架构的点。
链接网站演讲会深度学习书伴侣视频
