深度學習入門和學習書籍
深度學習書籍推薦:
-
深度學習(Deep Learning) by Ian Goodfellow and Yoshua Bengio and Aaron Courville
中文版下載地址:https://github.com/exacity/deeplearningbook-chinese
-
R語言深度學習實踐指南(Deep Learning Made Easy with R) by Dr. N.D. Lewis
下載地址:http://download.csdn.net/detail/oscer2016/9829915
-
深度學習基礎(Fundamentals of Deep Learning) by Nikhil Buduma
下載地址:http://www.taodocs.com/p-32598980.html
-
神經網絡和統計學習(Neural networks and statistical learning) by K.-L. Du and M.N.s. Swamy
下載地址:http://download.csdn.net/detail/oscer2016/9829919
-
神經網絡和深度學習(Neural Networks and Deep Learning) by Michael Niels
下載地址:http://download.csdn.net/download/newhotter/9651111
機器學習書籍資源推薦:
-
機器學習、神經網絡和統計分類(Machine Learning, Neural Networks, and Statistical Classification) by D. Michie, D.J. Spiegelhalter, C.C. Taylor
下載地址:http://www1.maths.leeds.ac.uk/~charles/statlog/
-
貝葉斯推理和機器學習(Bayesian Reasoning and Machine Learning) by David Barber
下載地址:http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.Online
-
機器學習的高斯過程(Gaussian Processes for Machine Learning) by Carl Edward Rasmussen and Christopher K. I. Williams,The MIT Press
下載地址:http://www.gaussianprocess.org/gpml/
-
信息理論、推理和學習算法(Information Theory, Inference, and Learning Algorithms) by David J.C. MacKay
下載地址:http://www.inference.phy.cam.ac.uk/mackay/itprnn/book.html
-
統計學習元素(The Elements of Statistical Learning) by Trevor Hastie, Robert Tibshirani, Jerome Friedman
下載地址:http://statweb.stanford.edu/~tibs/ElemStatLearn/printings/ESLII_print10.pdf
-
機器學習課程(A Course in Machine Learning) by Hal Daumé III
下載地址:http://ciml.info/
-
機器學習導論(Introduction to Machine Learning) by Amnon Shashua,Cornell University
下載地址:https://arxiv.org/abs/0904.3664v1
-
強化學習(Reinforcement Learning)
下載地址:https://www.intechopen.com/books/reinforcement_learning
-
機器學習導論(Introduction to Machine Learning) - By Nils Nilsson
下載地址:http://ai.stanford.edu/~nilsson/mlbook.html
-
強化學習(Reinforcement Learning) - MIT Press
下載地址:http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html
-
現在說說基本的入門:
深度學習(Deep Learning)屬於非常前沿的學科,沒有現成的的綜合型教材,主要是通過閱讀大量論文和代碼練習來學習。值得讀的經典論文很多,下面介紹的一些教程中多少都有提及,另外就是去google重要文獻。代碼方面推薦使用python為基礎的theano框架,因為它比較偏底層,可以從細節掌握如何構建一個深度學習模塊,而且方便結合python在數據領域的其它積累,例如numpy。當然到了生產環境你可以再考慮torch之類的框架。從代碼角度切入學習的好處是,理解起來不會像理論切入那麽枯燥,可以很快做起一個好玩的東西。當然,最後你還是得補充理論的。下面精選介紹一些本人在學習時遇到的好教程。
1、入門首選:
http://deeplearning.net/tutorial/
該站提供了一系列的theano代碼示範,通過研究模仿,就可以學會包括NN/DBN/CNN/RNN在內的大部分主流技術。其中也有很多文獻連接以供參考。
2、BP神經網絡:
http://neuralnetworksanddeeplearning.com/
第1部分的教程中,神經網格的參數是theano自動求導的,如果想深入了解細節,還得手動推導加代碼實現一遍。該教程對BP神經網絡的理論細節講的非常好。
3、理論補充:
http://goodfeli.github.io/dlbook/
該書內容比較廣泛,雖未最終完成,但已初見氣象。用來完善理論知識是再好不過。
4、圖像處理中的卷積神經網絡:
http://vision.stanford.edu/teaching/cs231n/syllabus.html
前面三部分相當於導論,比較寬泛一些,該教程則是專註於卷積神經網絡在圖像視覺領域的運用,CNN方面知識由此深入。
5、自然語言處理中的深度學習:
http://cs224d.stanford.edu/
本教程則偏重於深度學習在自然語言處理領域的運用,詞向量等方面知識由此深入。
6、遞歸神經網絡:
http://www.wildml.com/
該博客講的RNN是非常棒的系列,不可不讀。
7、keras框架:
http://keras.io/
keras框架是基於theano的上層框架,容易快速出原型,網站中提供的大量實例也是非常難得的研究資料。
8、深度學習和NLP
https://github.com/nreimers/deeplearning4nlp-tutorial/tree/master/2015-10_Lecture
該教程是第5部分的補充,理論講的不多,theano和keras代碼講的很多,附帶的代碼筆記很有參考價值。
9、機器學習教程
https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/
牛津大學的機器學習課程,講到了大量深度學習和強化學習的內容,適合於復習過一遍。
10、搭建硬件平臺
http://xccds1977.blogspot.com/2015/10/blog-post.html
11、去kaggle實戰玩玩吧
http://www.kaggle.com/
深度學習入門和學習書籍