• 参考资料与推荐阅读

    参考资料与推荐阅读

    本书是一本TensorFlow技术手册,并不包含太多关于机器学习/深度学习的理论知识。然而一本好的机器学习入门资料仍然对TensorFlow技术的理解至关重要。对于希望入门机器学习/深度学习原理的读者,笔者给出(具有个人主观色彩和局限的)以下阅读建议。

    如果你是一名在校大学生,具有较好的数学基础,可以从以下教材入手,作为学习机器学习的起点:

    • 李航. 统计学习方法 . 清华大学出版社, 2012.

    • 周志华. 机器学习 . 清华大学出版社, 2016.

    如果你希望更具实践性的内容,推荐以下书籍:

    • Aurélien Géron. 机器学习实战:基于Scikit-Learn和TensorFlow . 机械工业出版社, 2018.

    • 郑泽宇, 梁博文, and 顾思宇. TensorFlow:实战Google深度学习框架(第2版) . 电子工业出版社, 2018.

    如果你对大学的知识已经生疏,或者还是高中生,推荐首先阅读以下教材:

    • 汤晓鸥, and 陈玉琨. 人工智能基础(高中版) . 华东师范大学出版社, 2018.

    对于贝叶斯的视角,推荐以下入门书籍:

    • 皮隆, 辛愿, 钟黎, and 欧阳婷. 贝叶斯方法: 概率编程与贝叶斯推断 . 人民邮电出版社, 2017.

    如果你喜欢相对生动的视频讲解,可以参考以下公开课程:

    • 台湾大学李宏毅教授的《机器学习》课程 ( 讲义点此 ,中文,讲解生动且更新及时)

    • 谷歌的《机器学习速成课程》 (内容已全部汉化,注重实践)

    • Andrew Ng的《机器学习》课程 (英文含字幕,经典课程,较偏理论,网络上可搜索到很多课程笔记)

    相对的,一本不够适合的教材则可能会毁掉初学者的热情。对于缺乏基础的初学者, 推荐以下书籍:

    • Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 深度学习 . 人民邮电出版社, 2017.
    • 又名“花书”(源于封面),英文版 在线开放阅读 ,中译见 exacity/deeplearningbook-chinese 。这是一本深度学习领域的全面专著,但更像是一本工具书。

    • Bishop, Christopher M. Pattern Recognition and Machine Learning . Information Science and Statistics. New York: Springer, 2006.
    • 又名“PRML”(书名首字母缩写),目前已开放 免费下载 。以贝叶斯的视角为主,同时其难度可能很不适于缺乏数学基础的入门者。

    重要

    不推荐以上书籍,并不是说这些作品不够优秀! 事实上,正是因为这些书籍太优秀,影响力太大,才以至于不得不拿出来特意提醒一下,这些书可能并不适合于绝大多数初学者。就像应该很少有学校用《计算机程序设计艺术》(TAOCP)作为计算机的入门教材一样。对于已经入门或者有志于深层次研究的学者,当可从这些书籍中受益匪浅。