我們都知道現在機器學習、深度學習的資料太多了，面對海量資源，往往陷入到「無從下手」的困惑出境。而且並非所有的書籍都是優質資源，浪費大量的時間是得不償失的。今天，給大家推薦這四本好書。
推薦指數：★★★★☆
本書自出版以來收到眾多好評，因為是 keras 作者寫的書，所以全書基本圍繞著 keras 講深度學習的各種實現，從 cnn，rnn 到 gan 等，偏入門，但也承載著很多作者對深度學習整體性的思考。這是一本偏實戰的書，教你使用 keras 快速實現深度學習經典專案。看完這本書，基本能對 keras 和深度學習實戰有比較初步的掌握了。個人非常推薦！
但是，這本書預設你已經具備了基本的深度學習、神經網路知識。如果你是深度學習的初學者，那麼最好先補充一下深度學習的基本入門知識。
目前本書的英文版和中文版都 pdf 檔案都已經打包完畢。
這本書本身知名度不是特別高，但是書籍質量很高，簡單來說就是簡易、實用、不枯燥。本書使用了 scikit-learn 和 tensorflow，分別講解機器學習和深度學習，並每章配備實操**。還有一點是講解了如何將機器學習模型發布到 web 應用。整個知識體系相對更加完善，是一本比較全面的機器學習書籍。
目前本書只有英文版 pdf。
本書中文譯為《scikit-learn 與 tensorflow 機器學習實用指南》。這本書最大的特色從理論上講就是言簡意賅，全書基本上沒有太多複雜的數學公式推導，語言通俗易懂，很容易看得懂、看得下去。全書共分為兩大部分，第一部分介紹機器學習基礎演算法，每章都配備 scikit-learn 實操專案；第二部分介紹神經網路與深度學習，每章配備 tensorflow 實操專案。附錄部分內容也非常豐富。正本書兼顧理論與實戰，是一本非常適合入門和實戰的機器學習書籍。
又名「花書」。該書由三位大佬 ian goodfellow、yoshua bengio 和 aaron courville 撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。相信這本書大部分人入坑深度學習的都知道！
為什麼沒給這本書打五星呢？其實，我覺得這本書內容很深很全面，但起點稍微高了一些。如果你的數學基礎比較好，那麼這本書是非常不錯的高階工具書；但如果你剛剛入門深度學習，那麼需要補充一定的基本概念知識，再來學習會比較好。
「四大名著」介紹完了，每本書都有各自的特色。其實，適合自己的才是最好的。很難有統一的標準和學習線路。但是，從我的角度出發，我覺得一般的適合大多數同學的閱讀順序為：3 -> 2 -> 1 -> 4。如果分側重的話，我覺得 3 和 1 非常不錯。最後，修煉一下深度學習內功心法，即 4。2 可以選讀。
四大經典同步問題
一組生產者程序和一組消費者程序共享乙個初始為空，大小為n的緩衝區，只有緩衝區沒滿時，生產者才能把訊息放入緩衝區，否則必須等待，只有緩衝區不空時，消費者才能從中取出訊息，否則必須等待。由於緩衝區是臨界資源，它只允許乙個生產者放入訊息或乙個消費者從中取出訊息。關係分析 生產者和消費者對緩衝區訪問都是互斥...
深度學習 深度學習的四大元件
這四大元件就是 這四者的關係描述如下 多層組合在一起形成了網路，網路的目的是將輸入資料對映為 值，通過損失函式將 值和目標值比較，得出損失值，用來衡量網路的效能，而優化器的職責是迭代優化損失值來更新網路權重 bp演算法 層 構建網路的樂高積木 深度學習模型的最常見用法是層的線性堆疊，將單一輸入對映為...
資料與結構的四大經典演算法思想
解題思路 1.針對一組資料，定義了限制值和期望值，在滿足限制值的情況下，期望值最大 2.每次選擇當前情況下，最對限制值同等貢獻的情況下，對期望值貢獻最大的資料 3.舉幾個例子驗證一下貪心演算法的正確性 在很多情況下貪心演算法並不能給出問題的最優解，因為貪心演算法總是選擇當前情況下最優的解，比如在有權...