每周一本書之《深入淺出深度學習：原理剖析與Python實踐》

在過去的這十年，深度學習已經席捲了整個科技界和工業界，2016年谷歌阿爾法狗打敗圍棋世界冠軍李世石，更是使其成為備受矚目的技術焦點。

今日，小編就為大家推薦一本能讓初學者和「老司機」同樣感到非常有用的機器學習圖書——《深入淺出深度學習：原理剖析與Python實踐》

介紹深度學習的書籍不少，但是《深入淺出深度學習：原理剖析與Python實踐》與其他同類書相比，視角明顯不同。如果要給本書寫個宣傳語，或許可以是「深度學習工程師速成培訓教材」。本書對讀者的知識結構有兩點要求：一是學過高等數學，二是熟悉 Python 編程。換而言之，各個專業的理工科學生，尤其是學過 Python 編程的，都是此書的目標讀者。

在本書編寫的過程中，作者希望能從理論和應用相結合的角度，對深度學習的相關知識進行較為全面的梳理，本書既可以作為初級讀者的入門書籍，也適合中級讀者用來加深對理論知識的理解。全書覆蓋了線性代數、概率論、數值計算與最優化等基礎知識，以及深度學習的兩大核心：概率圖模型和深度神經網路。

具體來說，本書由以下三大部分構成：

第1部分（1-2章）：概要，共分為兩章。第1章主要闡述了深度學習、人工智慧相關的背景，深度學習的原理，以及當前流行的深度學習框架對比；第2章介紹了深度學習框架Theano的使用，著重對Theano的基礎知識和編程範式進行了講解。

第2部分（3-7章）：與深度學習相關的數學和機器學習方面的基礎知識，共分為5章。第3章介紹線性代數基礎知識；第4章介紹了概率論和數理統計相關的知識；第5章介紹概率圖模型，包括貝葉斯網路和馬可夫網路的原理；第6章簡要回顧機器學習的基礎知識，並介紹機器學習模型與深度學習模型之間的聯繫；第7章，深入分析幾種常用的機器學習最優化方法，包括具有一階收斂速度的梯度下降法和共軛梯度法，以及具有二階收斂速度的牛頓法和擬牛頓法。

第3部分（8-13章）：介紹了各種常見的深度學習模型，包括一系列的深度學習模型理論及其應用，本部分共分為6章。

作者介紹：

黃安埠，2012年畢業於清華大學，獲碩士學位，在校期間活躍於TopCoder等編程競賽社區。現為騰訊基礎研究高級工程師，研究領域包括個性化推薦、自然語言處理和大規模的相似度優化計算，特別是對於深度學習在推薦系統的應用有深入的研究，並申請了國內十餘項相關專利。

購買鏈接：https://item.jd.com/12195740.html