深度學習是機器學習的一個子領域，它採用了一個特定的模型：一族透過某種方式連線起來的簡單函式。由於這類模型的結構是受到人類大腦結構的啟發而創造出來的，因此我們通常把它們稱為神經網路（neural networks）。神經網路中的函式鏈條能夠將複雜的概念分解為多個層次的更簡單的概念，這就是深度學習的核心思想。例如，深度學習模型的第一層，可以用來學習如何獲取原始資料，並用基本的方式來組織它（如將多個點組合成直線）。後面每一層都將前面一層組織成更高階、更抽象的概念。我們把學習這種抽象概念的過程稱作表徵學習（representation learning）。

深度學習的神奇之處在於，我們並不需要事先了解中間層的概念具體是什麼。如果選擇的模型層次足夠多（即深度足夠深），並提供足夠數量的訓練資料，它就能在訓練過程中逐步將原始資料組織為越來越高階的概念。那麼訓練演算法怎麼知道應當使用哪些概念呢？它並不需要知道。它只需要找到能夠更好地匹配訓練樣本的資料組織方式就可以了。至於生成的表徵是不是能夠符合人們對資料的印象，那就無法保證了。圖1-9展示瞭如何將表徵學習融入深度學習的流程中。

圖1-9　深度學習和表徵學習

深度學習的這種強大能力是有代價的：深度學習模型需要學習的權重數量非常巨大。回顧一下前面處理身高-體重資料集的簡單模型ax + b，這個模型只有兩個權重需要學習。而用於處理影象標籤應用的深度學習模型，則可能有上百萬個權重。因此，深度學習需要更大的資料集、更強的計算能力以及更多的訓練實踐。深度學習與傳統機器學習各有其適用的情形。在下列幾種情形中，深度學習是一個不錯的選擇。

應用的資料格式是非結構化的。影象、音訊和書面語言都是深度學習的理想處理物件。採用簡單模型來學習這些資料也不是不可能，但通常需要非常複雜的預處理過程。有大量的可用資料，或者有辦法獲得更多資料。通常，模型越複雜，訓練所需的資料就越多。有足夠強的計算能力或充足的時間。深度學習模型在訓練和評估過程中都需要更多的計算量。

而在以下的情形中，應當選擇引數較少的傳統模型。

應用的資料是結構化的。如果輸入看起來更像是資料庫記錄，那麼通常可以直接應用簡單模型。想要一個描述性的模型。使用簡單模型，能夠看到最終學習到的具體函式，因而可以直接檢查不同的輸入對輸出的影響。這樣做能讓開發者更方便地瞭解應用在真實世界中的工作情況。但是在深度學習模型中，特定輸入與最終輸出之間隔著綿長曲繞的神經連線，使得我們很難對模型做出描述或解釋。

由於深度學習指的是模型型別，因此前面講到的幾個不同的機器學習分支，都可以應用它。例如，在監督學習中，根據擁有的訓練資料的不同，我們可以在簡單模型或深度學習模型之間做出選擇。

深度學習推薦書單深度學習[deep learning]深度學習領域奠基性經典暢銷書，資料科學家和機器學習從業者必讀，長期位居美亞AI和機器學習類圖書榜首圖靈獎獲獎作品，全綵印刷

《深度學習》由全球知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟體工程師。

動手學深度學習

人工智慧機器學習深度學習領域重磅教程圖書，

美亞科學家作品，互動式實戰環境下動手學深度學習的全新模式

原理與實戰緊密結合

本書面向希望瞭解深度學習，特別是對實際使用深度學習感興趣的大學生、工程師和研究人員。本書不要求讀者有任何深度學習或者機器學習的背景知識，讀者只需具備基本的數學和程式設計知識，如基礎的線性代數、微分、機率及Python程式設計知識。本書的附錄中提供了書中涉及的主要數學知識，供讀者參考。

本書的英文版Dive into Deep Learning是加州大學伯克利分校2019年春學期“Introduction to Deep Learning”（深度學習導論）課程的教材。截至2019年春學期，本書中的內容已被全球15 所知名大學用於教學。本書的學習社群、免費教學資源（課件、教學影片、更多習題等），以及用於本書學習和教學的免費計算資源（僅限學生和老師）的申請方法在本書配套網站zh.d2l.ai上釋出。讀者在閱讀本書的過程中，如果對書中某節內容有疑惑，也可以掃一掃書中對應的二維碼尋求幫助。

PyTorch生成對抗網路程式設計動手學深度學神經網路與深度學習影象識別搭建GAN卷積影象生成配套示例程式碼，圖文並茂，用PyTorch構建自己的生成對抗網路

生成對抗網路（Generative Adversarial Network，GAN）是神經網路領域的新星，被譽為“機器學習領域近20年來最酷的想法”。

本書以直白、簡短的方式向讀者介紹了生成對抗網路，並且教讀者如何使用PyTorch按部就班地編寫生成對抗網路。全書共3章和5個附錄，分別介紹了PyTorch基礎知識，用PyTorch開發神經網路，改良神經網路以提升效果，引入CUDA和GPU以加速GAN訓練，以及生成高質量影象的卷積GAN、條件式GAN等話題。附錄部分介紹了在很多機器學習相關教程中被忽略的主題，包括計算平衡GAN的理想損失值、機率分佈和取樣，以及卷積如何工作，還簡單解釋了為什麼梯度下降不適用於對抗式機器學習。

機器學習的數學人工智慧深度學習領域經典教程，AI程式設計師的數學參考書透徹理解機器學習演算法，從數學層面搞懂核心演算法原理的邏輯python程式講解，眾多專家學者力薦

本書的目標是幫助讀者全面、系統地學習機器學習所必須的數學知識。全書由8章組成，力求精準、最小地覆蓋機器學習的數學知識。包括微積分，線性代數與矩陣論，**化方法，機率論，資訊理論，隨機過程，以及圖論。本書從機器學習的角度講授這些數學知識，對它們在該領域的應用舉例說明，使讀者對某些抽象的數學知識和理論的實際應用有直觀、具體的認識。本書內容緊湊，結構清晰，深入淺出，講解詳細。可用作計算機、人工智慧、電子工程、自動化、數學等相關專業的教材與教學參考書。對人工智慧領域的工程技術人員與產品研發人員，本書也有很強的參考價值。對於廣大數學與應用的數學愛好者，本書亦為適合自學的讀本。

零基礎學機器學習人工智慧教程書籍，深入淺出神經網路與深度學習入門基於python框架演算法，入門必備小白書課堂培訓配備豐富的實戰案例贈送全書例項原始碼。

本書的目標，是讓非機器學習領域甚至非計算機專業出身但有學習需求的人，輕鬆地掌握機器學習的基本知識，從而擁有相關的實戰能力。

本書透過AI“小白”小冰拜師程式設計師咖哥學習機器學習的對話展開，內容輕鬆，實戰性強，主要包括機器學習快速上手路徑、數學和Python 基礎知識、機器學習基礎演算法（線性迴歸和邏輯迴歸）、深度神經網路、卷積神經網路、迴圈神經網路、經典演算法、整合學習、無監督和半監督等非監督學習型別、強化學習實戰等內容，以及相關實戰案例。本書所有案例均透過Python及Scikit-learn 機器學習庫和Keras 深度學習框架實現，同時還包含豐富的資料分析和資料視覺化內容。

程式設計師面試寶典：百面機器學習+百面深度學習 演算法工程師帶你去面試人工智慧時代程式設計師不可不讀學習面試寶典一線大廠演算法工程師合力著作，套裝全面收錄200+真實演算法面試題浪潮之巔作者吳軍推薦。套裝書專屬資源贈送！

《百面機器學習 演算法工程師帶你去面試》

不可不讀的機器學習面試寶典！微軟全球執行副總裁、美國工程院院士沈向洋，《浪潮之巔》《數學之美》作者吳軍，《計算廣告》作者、科大訊飛副總裁劉鵬，聯袂推薦！

人工智慧幾起幾落，最近這次人工智慧浪潮起始於近10年，技術的飛躍發展，帶來了應用前suo未有的可能性。未來的幾年，是人工智慧技術全面普及化的時期，也是演算法工程師稀缺的時期。

本書旨在幫助對人工智慧和機器學習有興趣的朋友們更加深入地瞭解這個領域的基本技能，幫助每個軟體工程師成為自信的AI實踐者，幫助每個資料科學家成為出眾的AI研究者。對每個有志進入此領域的工程師來說，本書會為你鋪設一條快速通往目標的道路。

《百面深度學習 演算法工程師帶你去面試》

不可不讀的深度學習面試寶典《百面機器學習》姊妹篇。

Hulu誠意出品，全面收錄135道演算法面試題。

一線大廠演算法工程師合力創作，直擊面試要點。

從演算法與模型到多領域應用，全方位解讀深度學習。

Python神經網路程式設計人工智慧深度學習機器學習領域又一重磅力作自己動手用Python編寫神經網路美亞排名前茅榮獲眾多好評 全綵印刷 圖表豐富

本書首先從簡單的思路著手，詳細介紹了理解神經網路如何工作所必須的基礎知識。第一部分介紹基本的思路，包括神經網路底層的數學知識，第2部分是實踐，介紹了學習Python程式設計的流行和輕鬆的方法，從而逐漸使用該語言構建神經網路，以能夠識別人類手寫的字母，特別是讓其像專家所開發的網路那樣地工作。第3部分是擴充套件，介紹如何將神經網路的效能提升到工業應用的層級，甚至讓其在Raspberry Pi上工作。

最新深度學習書深度學習與圍棋人工智慧的實踐性入門教程，採用Keras深度學習框架用Python來實現程式碼，Google旗下AI子公司Deepmind研究科學家作序推薦提供配套原始碼

本書透過教讀者構建一個圍棋機器人來介紹深度學習技術。隨著閱讀的深入，讀者可以透過Python深度學習庫Keras採用更復雜的訓練方法和策略。讀者可以欣賞自己的機器人掌握圍棋技藝，並找出將學到的深度學習技術應用到其他廣泛的場景中的方法。

本書主要內容

● 構建一個遊戲 AI，並教會它自我改進。

● 用深度學習增強經典遊戲 AI 系統。

● 實現深度學習的神經網路。

要閱讀本書，讀者只需具備基本的Python技巧和高中水平的數學知識，而不需要任何深度學習經驗。