【每周一本书】之《深入浅出深度学习：原理剖析与Python实践》

深度学习 Python 大数据

原创 abby | 2017-08-22 07:37

【数据猿导读】在过去的这十年，深度学习已经席卷了整个科技界和工业界，2016年谷歌阿尔法狗打败围棋世界冠军李世石，更是使其成为备受瞩目的技术焦点

来源：数据猿作者：abby

在过去的这十年，深度学习已经席卷了整个科技界和工业界，2016年谷歌阿尔法狗打败围棋世界冠军李世石，更是使其成为备受瞩目的技术焦点。

今日，小编就为大家推荐一本能让初学者和“老司机”同样感到非常有用的机器学习图书——《深入浅出深度学习：原理剖析与Python实践》

深度学习_Python_大数据-1

介绍深度学习的书籍不少，但是《深入浅出深度学习：原理剖析与Python实践》与其他同类书相比，视角明显不同。如果要给本书写个宣传语，或许可以是“深度学习工程师速成培训教材”。本书对读者的知识结构有两点要求：一是学过高等数学，二是熟悉 Python 编程。换而言之，各个专业的理工科学生，尤其是学过 Python 编程的，都是此书的目标读者。

在本书编写的过程中，作者希望能从理论和应用相结合的角度，对深度学习的相关知识进行较为全面的梳理，本书既可以作为初级读者的入门书籍，也适合中级读者用来加深对理论知识的理解。全书覆盖了线性代数、概率论、数值计算与最优化等基础知识，以及深度学习的两大核心：概率图模型和深度神经网络。

具体来说，本书由以下三大部分构成：

第1部分（1-2章）：概要，共分为两章。第1章主要阐述了深度学习、人工智能相关的背景，深度学习的原理，以及当前流行的深度学习框架对比；第2章介绍了深度学习框架Theano的使用，着重对Theano的基础知识和编程范式进行了讲解。

第2部分（3-7章）：与深度学习相关的数学和机器学习方面的基础知识，共分为5章。第3章介绍线性代数基础知识；第4章介绍了概率论和数理统计相关的知识；第5章介绍概率图模型，包括贝叶斯网络和马尔科夫网络的原理；第6章简要回顾机器学习的基础知识，并介绍机器学习模型与深度学习模型之间的联系；第7章，深入分析几种常用的机器学习最优化方法，包括具有一阶收敛速度的梯度下降法和共轭梯度法，以及具有二阶收敛速度的牛顿法和拟牛顿法。

第3部分（8-13章）：介绍了各种常见的深度学习模型，包括一系列的深度学习模型理论及其应用，本部分共分为6章。

作者介绍：

黄安埠，2012年毕业于清华大学，获硕士学位，在校期间活跃于TopCoder等编程竞赛社区。现为腾讯基础研究高级工程师，研究领域包括个性化推荐、自然语言处理和大规模的相似度优化计算，特别是对于深度学习在推荐系统的应用有深入的研究，并申请了国内十余项相关专利。

购买链接：https://item.jd.com/12195740.html

推荐阅读：

【每周一本书】之《大数据之路：阿里巴巴大数据实践》

【每周一本书】之《CPS：新一代工业智能》：从特斯拉无线预测到工业转型核心技术CPS

【每周一本书】之《机器人时代》：技术、工作与经济的未来

【每周一本书】之《Mesos 实战》：提高集群资源利用率，服务自动化部署的好帮手！

【每周一本书】之《数据天才：数据科学家修炼之道》

【每周一本书】之《Druid实时大数据分析原理与实践》：来自腾讯、小米等公司的一线实践经验

【每周一本书】之《全栈数据之门》：数据科学的全栈基础入门宝典