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