好消息！2019 年3月27日，ACM 宣布 Yoshua Bengio，Geoffrey Hinton 和 Yann LeCun 为 2018 年图灵奖的获得者。表彰他们在概念和工程方面的突破，使深度神经网络成为计算的关键组成部分。
深度学习近几年在人工智能领域取得了非凡的成就。深度学习方法在计算机视觉、语音识别、自然语言处理和机器人技术以及其他实际应用中也取得惊人突破。
人工智能的增长和兴趣在很大程度上归功于近些年 Bengio，Hinton 和 LeCun 为深度学习奠定的基础。
如今，数十亿人使用这些技术。任何在口袋里装有智能手机的人都可以体验到自然语言处理和计算机视觉方面的进步，这在 10 年前几乎是不可能实现的。除了日常使用的产品之外，深度学习的新进展为科学家提供了强大的新工具，从医学、天文学到材料科学。
三位获奖者在业内被称为 “当代人工智能教父”，他们开创了深度神经网络，跨越了学术和业界，一直为人工智能研究生态系统贡献着力量。
Geoffrey Hinton
Google 副总裁兼工程研究员，Vector Institute 首席科学顾问，多伦多大学名誉大学教授。
1986年，与David Rumelhart和Ronald Williams共同撰写的论文Learning Internal Representations by Error Propagation 中 ，发明了反向传播。1983年，与 Terrence Sejnowski 一起发明了玻尔兹曼机。2012年，他与学生 Alex Krizhevsky 和 Ilya Sutskever 一起使用 rectified linear neurons 和 dropout regularization 改进了卷积神经网络。在著名的 ImageNet 竞赛中，Hinton 和他的学生几乎将对象识别的错误率减半并且重塑了计算机视觉领域。
Yoshua Bengio
蒙特利尔大学教授，魁北克人工智能研究所 Mila 科学主任。
20 世纪 90 年代，Bengio 将神经网络与序列的概率模型相结合，例如隐马尔可夫模型。这些想法被纳入 AT＆T / NCR 用于阅读手写支票的系统中，被认为是 20 世纪 90 年代神经网络研究的巅峰之作，现代深度学习语音识别系统正在扩展这些概念。2000年，Bengio 撰写了具有里程碑意义的论文 A Neural Probabilistic Language Model，使用高维词向量表征自然语言。 Bengio 的见解对自然语言处理任务产生了巨大而持久的影响，包括语言翻译、问答和视觉问答。他的团队还引入了一种注意力机制，这种机制让机器翻译获得突破，并形成了让深度学习处理序列的关键组成部分。自 2010 年以来，Bengio 关于生成性深度学习的论文，特别是与 Ian Goodfellow 共同开发的生成性对抗网络（GAN），引发了计算机视觉和计算机图形学的革命。
Yann LeCun
LeCun纽约大学教授，Facebook副总裁、首席人工智能科学家。
20 世纪 80 年代，LeCun 发明了卷积神经网络，它让深度学习的效率更高。20 世纪 80 年代后期，在多伦多大学和贝尔实验室工作期间，LeCun 是第一个在手写数字图像上训练卷积神经网络系统的人。如今，卷积神经网络是计算机视觉以及语音识别、语音合成、图像合成和自然语言处理的行业标准。它被应用在各种领域，包括自动驾驶、医学图像分析、语音激活助手和信息过滤。LeCun提出了反向传播算法的早期版本（backprop），并根据变分原理对其进行了简洁的推导。他加快了反向传播算法的工作。
而就在 ACM 官网发布获奖人消息短短几个小时之后，知乎上立刻就出现了“如何评价 2018 年度图灵颁发给三位深度学习之父？“的问题。可见大家对图灵奖的关注度之高。不管如何评价这三位深度学习之父，有一个事实不得不承认，那就是深度学习真的要火了。所以，那些因为数学不好，对深度学习望而却步的你，不要观望了，不如先从这几本书开始走近深度学习。
在此入门
☟
☟
☟
长期位列日亚“人工智能”类图书榜首，
日本深度学习入门经典畅销书
《深度学习入门》
作者：斋藤康毅
译者：陆宇杰
深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python 3，尽量不依赖外部库或工具，从基本的数学知识出发，从零创建一个经典的深度学习网络，来逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
Keras之父著作，深度学习领域力作
《python深度学习》
作者：弗朗索瓦•肖莱
译者：张亮（hysic）
本书详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用，示例步骤讲解详细透彻。
基于NumPy的Python语言实现卷积神经网络，
用最直白的方法讲解机器学习
《卷积神经网络的Python实现》
作者：单建华
本书用极少的数学知识，深入浅出地介绍了机器学习、卷积神经网络的相关概念以及实践中特别重要的数据预处理。
介绍深度学习核心概念，卷积神经网络等知识尤为详细
作者：Giancarlo Zaccone，Md. Rezaul Karim，Ahmed Menshawy
译者：李志
本书介绍关于机器学习系统的深度学习算法，使你可以在搜索、图像识别、语言处理等产品中实现这些算法。你将学习如何分析并改进深度学习模型的表现，通过与标准算法进行比较，借助机器智慧，在特定文本中从信息和决策行为中学习。
TensorFlow进阶第一书
《深入理解Tensorflow》
作者：彭靖田，林健，白小龙
书中首先介绍了 TensorFlow 设计目标、基本架构、环境准备和基础概念，接着重点介绍了以数据流图为核心的机器学习编程框架的设计原则与核心实现，紧接着还将 TensorFlow 与深度学习相结合，从理论基础和程序实现这两个方面系统介绍了CNN、GAN 和 RNN 等经典模型，然后深入剖析了TensorFlow 运行时核心、通信原理和数据流图计算的原理与实现，最后全面介绍了 TensorFlow 生态系统的发展。
2017年图灵奖得主图书推荐
计算机体系结构的“圣经”
《计算机体系结构量化研究方法（第5版）》
作者：John Hennessy，David Patterson
译者：贾洪峰
全书系统地介绍了计算机系统的设计基础、指令集系统结构、流水线与指令级并行技术、层次化存储系统与存储设备、互连网络以及多处理器系统等重要内容，讲述了使用“量化研究方法”进行计算设计，以及多种可以实现并行的技术。
第 5 版，增加了涉及移动中心和数据中心的示例，反映了在移动设备和云计算方面的变化；扩展和改进了多核和 CPU 体系结构方面的内容；增加了关于 warehouse-scale 计算机以及向量处理器和 CPU 的内容等。
第 6 版英文版已出版，图灵已拿到新版图书版权，相信中文版已经不远。
☟【阅读原文】更多深度学习好书
