1樓：鹽選推薦
《白話深度學習》是一本用清晰簡明的方式講解深度學習的書。這本書充分講解了深度學習的發展歷史、重要概念和思維方式。這本書對於想要學習的朋友是乙個不錯的選擇。
今天，我們來聊聊「深度學習」。
深度學習是當前人工智慧領域機器學習最熱門的方法，最近這幾年的發展可以說是日新月異。在講這個主題的時候啊，我有乙個感慨，我感覺時間過得真快，在你還沒從上一次科技突破中緩過神來的時候，新的突破就又一次發生了。
阿爾法狗 3：0 完勝人類圍棋冠軍柯潔已經是一年多以前的事情了，當時舉世驚嘆，好多人紛紛感嘆，深度學習技術攻下了人類最後的智力高地。然而就在不久前，曾經打遍天下無敵手的阿爾法狗，竟然輸給了它的「弟弟」——阿爾法元，而且是 100：
0，下一百局，阿爾法狗一局都沒贏過。昔日的奇蹟，成了今天的反面教材。
現在網上流傳著乙個段子，說有兩個小孩，都是天才。
哥哥讀遍天下秘籍，總共三千多萬冊，花了幾個月的時間修煉，從此打遍天下無敵手。他的弟弟只靠白手起家，沒看過一招一式，也沒有乙個人指點，從零開始，全憑自己參悟，用了三天，就把他哥哥給打敗了。有點像《天龍八部》裡學盡天下武學的慕容復，最後被半路出家的虛竹給打敗了。
然後虛竹念一句法號：「菩提本無樹，明鏡亦非台，本來無一物，何處惹塵埃。——我這才是真正的智慧型。
」其實這個段子不只是搞笑，它裡面確實說出了深度學習領域的新的突破。
去年，阿法爾狗首次戰勝了人類的圍棋世界冠軍，但其棋藝的精進，是用三千多萬局人類的歷史棋局，進行訓練，最後才超越了人類。也就是說，這是乙個青出於藍而勝於藍的故事。當時就有人說了，阿爾法狗再牛，不還是要人教它嗎？
沒有我們的經驗，它壓根就學不會下棋。
結果沒想到啊，僅僅一年的時間，科技的發展出乎了所有人的意料。阿爾法元的出現，不僅證明了「人類不教我也能學會」，還證明了，沒有你們經驗的誤導，我能學得更好。
就像那句禪語裡說的：「本來無一物，何處惹塵埃。」阿爾法元不需要任何人類的舊有經驗，一盤棋譜也不看，給定了圍棋的規則，靠自己左右互搏，三天，搞定一切。
這可比阿爾法狗厲害多了，因為它不再被人類認知所侷限，而能夠發現新知識，發展新策略。
比較阿爾法元的下法和人類的下法，我們發現兩者的開局和收官是差不多的，但是中盤差異非常大。主要的差異在於，人類的下棋方式往往都是追求區域性最優，換句話說，人更計較一時得失，而阿爾法元的下法則更系統，更有全域性觀。對於阿爾法元來說，一時一地的損失不是最重要的，最重要的是從總體上規劃出乙個最優的策略。
阿爾法狗與阿爾法元競爭的輸贏背後，是大資料與演算法的 PK。之所以阿爾法元能做到從全域性入手去思考，因為它不受心態干擾，也不受思維定勢的干擾。就像《倚天屠龍記》裡的張三丰問張無忌：
「都忘了嗎？」張無忌說：「忘了。
」張三丰說：「忘得好。」
雖然人不是機器，做不到完全的不受心態和思維定勢干擾。但這畢竟是乙個方向，即使做不到那麼極致，也可以讓我們的判斷更理智，更全面。
所以很有意思的是，深度學習是通過模仿人類的思維方式而發展起來的，但是現在它又能反過來給我們思維的啟發。就像前不久上映的電影《銀翼殺手 2049》裡說的：「比人類更人性。」
剛剛我們講到的是深度學習給我們的第乙個啟發：
2樓：ET小波
要自學深度學習，數學肯定很重要了。
但是，除了數學，還涉及到人工智慧的其他方面的。
ET小波：2020超詳細的人工智慧書單推薦(科普類)，學習AI的記得收藏好
ET小波：2020超詳細的人工智慧書單推薦(技術類)，學習AI的記得收藏好
關於數學方面的，基本都在技術類的那篇文章哦。
3樓：Barry
看見你們都推薦花書，那我就來推薦沐神的《動手學深度學習》，詳見https://
zhuanlan /p/61
489347
4樓：
蘇聯的書不要看，忠告。
國內的2教材最好買復旦，清華，北大，中科大，南開等一線名校出版社出版的，其他出版社太多坑了，各種爛書 ，排版差就算了，一大堆錯誤。
以後不想著出國沒必要看英語的，國內好教材多的去了，而且看外語文獻吸收率其實低於母語。
5樓：小寶和老財
本書的日文版曾一度佔據了東京大學校內書店（本鄉校區）理工類圖書的暢銷書榜首，從根本基礎講起，又不失深度。各類讀者閱讀本書，均可有所受益。對於非AI方向的技術人員，本書將大大降低入門深度學習的門檻；對於在校的大學生、研究生， 本書不失為學習深度學習的一本好教材；即便是對於在工作中已經熟練使用框架開發各類深度學習模型的讀者，也可以從本書中獲得新的體會。
6樓：弱雞
樓主都說Deep learning了啊，那當然是這本書了。他是Deep learning的bible啊
Deep Learning
2023年聖誕節的時候，小白我通讀了這本書，把裡面不明白的地方都在筆記上推到了一番，豁然開朗。 2023年春天開始接觸python 和tensorflow，只有操作上的問題，但是沒有概念上的問題了。
7樓：Fredric
我以為沒那麼玄乎，絕大部分前置知識點還是包含在工科三門基礎數學課上，直接拿大學本科教材就可以：《高等數學》、《線性代數》、《概率與數理統計》（當年大學教授設計課程還是很有道理的），其他的內容不搞學術的話我覺得都可以用到再去翻書。
下面是我在「數學對於程式設計有多重要？」裡的答案，就先直接粘過來，僅供參考：
數學對於程式設計有多重要？
機器學習領域：
回歸演算法如最小二乘法等，採用梯度下降利用極值優化的都涉及高數知識；採用極大似然估計法則涉及概率統計知識；對於多維資料處理涉及線性代數（事實上jacobian矩陣這些一般還不包在本科線性代數裡）知識；
資料降維如主成分分析，涉及線性代數知識；
聚類分析若用到高斯混合聚類，涉及概率統計知識
隱馬爾科夫模型建模，涉及隨機過程，隨機過程前置課程為概率統計
樸素貝葉斯、決策樹這些分類演算法都依託概率統計知識，決策樹還會涉及一點資訊理論
支援向量機，涉及拉格朗如對偶，涉及知識凸優化；機器學習問題由於都屬於處理特徵空間，因此需要對泛函分析這門課程有概念，泛函分析的前置是實變函式
深度神經網路，深度網路在優化訓練時都涉及高數、線性代數知識；
訊號處理：
傅利葉變化和離散余弦變換等，影象處理也用，涉及復變函式課程
小波變換屬於Hilbert空間，涉及泛函分析課程
離散訊號處理還涉及差分方程
密碼學：
傳統密碼學涉及數論基礎；如果是現在用得比較多的橢圓曲線，則涉及課程代數幾何，前置課程很多，最基本是抽象代數-- 代數幾何之類我完全沒看過，不好亂講
圖形學裡的影象變換、圖形對映、3D建模；機械人裡的運動軌跡控制都採用矩陣計算，都涉及線性代數知識，這塊比較深的知識點應該可以算矩陣論；
時序訊號處理會用到很多訊號均值、方差、隨機雜訊等，涉及概率統計知識；
數學建模很多構建的結果是多個微分方程，這塊也屬於高數，複雜的話要專門學常微分方程、偏微分方程
其他聽說SLAM還用到一些李群--- 這塊完全沒接觸過，不好亂講
8樓：
Data Mining: Practical Machine Learning Tools and Techniques
9樓：
大部分人應該不會超過這幾塊內容，初等概率論，統計推斷，凸優化，數值線性代數.
凸優化：10-725 CMU
統計推斷：36-705 CMU
初等概率：強烈Casella &Beger的概率部分NLA：Trefethen & BAU
其實你看完這些你數學基礎夠秒一大堆做深度學習的phd了……
10樓：
深度學習的數學書，我只推薦一本——數值分析，而且還是20年前的，李慶揚、王能超、易大義編著的。
開篇第一章第一節，就說明數值分析的概念，與數值計算的區別。
電腦科學與技術專業的孱弱的數學基礎，跟電子、機械、電信、控制、自動化相比，真是可憐。
11樓：栗子
我覺得比較好的書單：
《高等代數與解析幾何》- 這應該是數學專業大一的書，線性空間，二次型，線性方程組求解，偽逆等等。這應該是深度學習最基礎的。
最好再看看《解析幾何》之類的書，空間中點線面關係，向量方程，方向導數偏導數等等。對理解SVM之類的東西有用。
《最優化導論》是我覺得最有用的數學書籍，裡面的內容全是深度學習最乾的乾貨：梯度下降，牛頓法，共軛方向法，以及後面的拉格朗日法和KKT條件等。
隨機過程我倒覺得用處不大了，現在深度學習都在玩梯度優化，以前那些往概率上深入的方向，向HMM，排隊論那些好像已經過氣了。
12樓：
這些東西應該不會讓你失望：
普林斯頓微積分讀本（修訂版）
程式設計師的數學2：概率統計
程式設計師的數學3：線性代數
凸優化 (豆瓣)
應用隨機過程 (豆瓣)
13樓：NLP小學生
你們真的是在推薦「數學基礎書」嗎？
認為寫得最好，也最適合作為深度學習概率基礎書的是《統計學完全教程》，原版是《All in Statistics》。隨便找乙個商品鏈結可以看看序言和目錄：商品鏈結。
14樓：文正
Ian Goodfellow的《deep learning》算是比較有名。然而個人覺得這本書比較簡單，並未提供深入的了解，可以作為入門級教材。
強烈推薦《the element of statistical learning》。作者將許多東西融合起來，將乙個問題從多個角度來分析，讀完後有種深入了解的感覺，像是打通了任督二脈。
15樓：
還是按部就班來吧。
深度學習本身就是積累在乙個世紀的概率統計，幾十年的機器學習研究的基礎上的內容。個人感覺直接拿一本書讓人上手並不是最理想的情況。尤其是沒有一點統計數學基礎的學生。
還是建議從Element of Statistical Learning (http://
web.stanford.edu/~hasti
e/ElemStatLearn/
)開始（或者Introduction to Statistical Learning 簡單版本的ESL）。弄明白了你也會對下一步要看什麼有點思路了。
深度學習在工業應用並不多。如果是抱著研究的心情更需要從基礎開始打，如果是抱著就業工作的想法，也需要對基本機器學習的知識進行了解。
搞深度學習如何快速提公升數學基礎？
運動碼農 不要想著通過淺嘗輒止式的短期的投入和支離破碎走馬觀花式的對數學的學習，來獲取數學對AI research的增益效果以及獲取通過數學探索更深的AI的能力。 馮遷 提高數學基礎不能快速。數學從幾個簡單的定義出發，演化出各種結論，新定義。這個過程可以抵達很深的地方，內容也很多，快不了。像另外乙個...
有沒有數學專業的基礎書推薦？
純白交響曲 說下自己用的書 數分 中科大史濟懷版 高代 北大第四版可以配合丘維聲的一起看 解幾 北大版 復變函式 推薦鐘玉泉 概率論和數理統計 兩本中科大版 實變函式 周民強版 泛函分析 江澤堅版 拓撲 尤承業版 抽象代數和交換代數是用自己學校出的。 矩陣肥貓 數分推薦 張筑生的 數學分析新講 看完...
數學基礎差的人學習數學有什麼套路嗎？
其實高中嘛.努力刷題就能完事的，高考並不是考驗數學方法與技巧的考試，而是考驗你知識掌握程度的。高考必刷題每一道題琢磨透，金考卷，各種XX 38,42,21,etc.套各種伺候，不說130，140，120是絕對可以保證的。另外不要太過離開數學課本 很多人甚至後面的習題也不一定全都會做，還想著找別的資料...