《深度学习》是深度学习领域唯一的综合性图书，全称也叫做深度学习 AI圣经(Deep Learning)，由三位全球知名专家IanGoodfellow、YoshuaBengio、AaronCourville编著，全书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，深度学习全书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型，适用于相关专业的大学生或研究生使用。
可以下载《深度学习》的中文版 pdf 和英文版 pdf 直接阅读。
推荐github高星项目，该作者提供书中原理python代码实现，方便更好的理解书中原理和公式，将笔记详细写成了一书深度学习_原理与代码实现.pdf。《深度学习》涉及到的每一个概念，该书都有详细的描述、原理层面的推导，以及用代码的实现。代码实现不会调用 Tensorflow、PyTorch、MXNet 等任何深度学习框架，甚至包括 sklearn (pdf 里用到 sklearn 的部分都是用来验证代码无误)，一切代码都是从原理层面实现 (Python 的基础库 NumPy)，并有详细注释，与代码区上方的原理描述区一致，你可以结合原理和代码一起理解。具体章节如下：
| 中文章节 | 英文章节 | 下载 (含推导与代码实现) |
|---|---|---|
| 第一章 前言 | 1 Introduction | |
| 第二章 线性代数 | 2 Linear Algebra | |
| 第三章 概率与信息论 | 3 Probability and Information Theory | |
| 第四章 数值计算 | 4 Numerical Computation | |
| 第五章 机器学习基础 | 5 Machine Learning Basics | |
| 第六章 深度前馈网络 | 6 Deep Feedforward Networks | |
| 第七章 深度学习中的正则化 | 7 Regularization for Deep Learning | |
| 第八章 深度模型中的优化 | 8 Optimization for Training Deep Models | |
| 第九章 卷积网络 | 9 Convolutional Networks | |
| 第十章 序列建模：循环和递归网络 | 10 Sequence Modeling: Recurrent and Recursive Nets | |
| 第十一章 实践方法论 | 11 Practical Methodology | |
| 第十二章 应用 | 12 Applications | |
| 第十三章 线性因子模型 | 13 Linear Factor Models | |
| 第十四章 自编码器 | 14 Autoencoders | |
| 第十五章 表示学习 | 15 Representation Learning | |
| 第十六章 深度学习中的结构化概率模型 | 16 Structured Probabilistic Models for Deep Learning | |
| 第十七章 蒙特卡罗方法 | 17 Monte Carlo Methods | |
| 第十八章 直面配分函数 | 18 Confronting the Partition Function | |
| 第十九章 近似推断 | 19 Approximate Inference | |
| 第二十章 深度生成模型 | 20 Deep Generative Models |
具体参考：https://github.com/MingchaoZhu/DeepLearning
目前该笔记还没有更新完成，大家可以长期关注，相关pdf下载可以在项目链接中找到，如果失效可以在本站下载。
深度学习花书中英文pdf版本
提取码：
fqg7复制
解压码：无
[…] https://polarai.cn/265.html […]