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，不 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。