AI科技评论按：本文作者为 Jeffries Consulting 创始人 Daniel Jeffries，他以自己的阅读体验，对当前含金量极高的几本深度学习书籍进行点评；对每本书的内容重点、所适合的读者群进行了总结。非常适合学习者在购书前进行参考，以免白费时间。
AI科技评论
编译。
Daniel Jeffries：
多年来，由于实验室研究和现实应用效果之间的鸿沟，少有人持续研究人工智能，AI在很多领域停滞不前。
但近两年，AI 在一些领域陆续有了重大突破，比如：图像识别；自动驾驶；Alpha Go等。许多八九十年代的算法，由于硬件慢和缺乏数据等原因束之高阁。而现在，有众多大数据集和大规模并行芯片的支持，这些算法终于初见成效。
在过去的一年多时间里，研究人员奋笔疾书，竞相出版专著，以满足读者对深度学习知识的渴求。第一本关于深度学习的书已经上架，更多的将会在夏天或者明年年初陆续上架。我有幸提前拜读了若干专著的初稿，这些书的最终出版让人期待万分。
接下来给大家推荐一些深度学习书籍，这些书可以引导大家如何学习人工智能，对深度学习的快速理解有很大帮助。
理论和实践相互兼顾
我父亲常说“凡事均衡最好。”
对此我深信不疑，且奉为圭臬。当然，我承认在周末或者维加斯的时候，偶尔也会将其抛诸脑后。
我赞成理论与实践要相互均衡。比如针对某个问题，给一个明确的背景信息，然后根据实例让我自己动手实践。书本不要过多阐述理论知识，应该让读者边学习边查漏补缺。设想有一本书，非常抽象，或者罗列大量的实例，却不解释问题的来龙去脉，你还能看下去吗？
每个人都有自己的学习习惯，应该清楚地知道怎么学，才能卓有成效。我始终认为花时间去买那些与我无用的书，特别容易错过真正适合的。如果你喜欢通篇理论，那就不必继续看我的推荐了。
如果你喜欢看那些理论与实践结合相宜得章的书，相信我推荐的书单会让你会喜欢。
书单
第一本书是Ian Goodfellow的
《Deep Learning》
。作者在Google Brain和OpenAI上做出了突出贡献。不少人认为这本书是深度学习领域的圣经，因为它是迄今为止唯一一本融合了前几十年研究工作的鸿篇巨著。
不过，除非你有较好的数学基础，否则不建议你从本书入门，因为读起来挫败感十足。书中不仅有大量的公式，同时写得比较枯燥、干巴。尽管Goodfellow希望能给读者传授更多的知识，但事与愿违，该书读起来不能引人入胜，比较乏味。确实会做和会教是两码事。
我估计明年首次参加大学深度学习课程的学生手中会拥有这本书，而其中的许多人会因为这本书难懂而坚持不下去。
这本书比较适合那些经过几年相关工作后，仍想进一步掌握深度学习的从业者。
对于拥有较多专业领域知识且正准备初次进军AI行业的专业程序员而言，这也是一本比较全面的指南。
本书免费中文
版请
点击“阅读原文”了解
。
-
《Hands-On Machine Learning with Scikit-Learn and Tensorflow》
第二本是刚出版的
《Hands-On Machine Learning with Scikit-Learn and Tensorflow》
。虽然这本书也有大量的公式，不过作者Aurélien Géron用简单的方式诠释了复杂的概念。全书写得通俗易懂，可读性很强，不过我也不强烈推荐。
《数学不好还学AI》
系列文章，是本书很好的补充，尤其是该系列的第五篇《用卷积神经网络进行图像识别》和
第七篇《自然语言处理》。在我的印象里，这本书有详尽的实例和相应代码，两者完美结合。在Safari的在线丛书中我读过初稿，当时许多部分没有写完，而且网站将一些公式转换的莫名其妙，这并不影响我对内容的理解。
和其他优秀的修改稿一样，最终版本相比初稿有了质的飞跃，完美诠释了作者的观点和采用的实例。本书内容的组织非常自然流畅，各种观点都有清晰的实例证明，
AI科技评论
建议读者看第一遍的时候，不要去管那些公式，以后根据需要再去深入推敲。
-
《Deep Learning with Python》
第三
本是
《Deep Learning with Python》
。作者是Keras框架的构建者Francois Chollet。不过这本书还得过段时间才能出版，通过Manning的MEAP系统可以阅读前三章的内容，写得很好，我极力推荐此书。
