Logo

菜单

发布于 2026-01-06 3 阅读
0

2018 年人工智能、机器学习、深度学习和 Tensorflow 的书籍、课程、示例的精彩链接 DataScienceAI 书籍链接 | 机器学习、深度学习与自然语言处理领域推荐书籍列表 数学基础机器学习| 机器学习深度学习 | 深度学习 NLP | 自然语言处理计算机视觉 | 计算机视觉数据科学| 泛数据科学DataScienceAI课程链接| 机器学习、深度学习与自然语言处理领域推荐课程列表 机器学习 | 深度学习 机器学习 深度学习 NLP | 自然语言处理工业应用| 行业应用示例 | TensorFlow 学习与实践示范链接 | TensorFlow 数据索引概述 | 概述 资源 | 资源集锦教程 | 教程

2018 年人工智能、机器学习、深度学习和 TensorFlow 相关书籍、课程和示例的精彩链接

DataScienceAI 图书链接 | 机器学习、深度学习与自然语言处理领域推荐书籍列表

数学| 数学基础

机器学习 | 机器学习

深度学习 | 深度学习

自然语言处理 | 自然语言处理

计算机视觉 | 计算机视觉

数据科学 | 泛数据科学

数据科学人工智能课程链接 | 机器学习、深度学习与自然语言处理领域推荐课程列表

机器学习 | 机器学习

深度学习

自然语言处理 | 自然语言处理

工业应用| 行业应用

示例 | 示范

TensorFlow 学习与实践链接 | TensorFlow 数据 索引

概述 | 概述

资源 | 资源集锦

教程 | 教程

返回目录

DataScienceAI 图书链接 | 机器学习、深度学习与自然语言处理领域推荐书籍列表

欢迎公关稿

精选人工智能 (AI) 课程和书籍列表，并添加了来自Awesome-Links的DataScienceAI-Book-Links和DataScienceAI-Course-Links。

数学| 数学基础

  • 2008-统计学完全教程#Book#：由美国当代著名统计学家L·沃塞曼所著的《统计学元全教程》是一本几乎包含了统计学领域全部知识的优秀教材。本书除了介绍传统数理统计学的全部内容之外，还包含了Bootstrap方法（自助法）、独立性推断、推论推断、图模型、非参数回归、金刚石函数光滑法、分类、统计学及数据挖掘等统计学领域的新方法和技术。本书重点关注概率论与数理统计基本理论的阐述，同时还强调数据分析能力的培养。本书中蕴含了大量的实例，以帮助广大读者快速掌握使用软件统计数据分析。

  • 2009年凸优化#书籍#：本书探讨凸优化问题，这是一类特殊的数学优化问题，其中包括最小二乘问题和线性规划问题。众所周知，最小二乘问题和线性规划问题拥有相当完整的理论，广泛应用于各种领域，并且可以非常高效地进行数值求解。本书的基本观点是，对于更广泛的凸优化问题，同样如此。

  • 2009 年 - 《统计学习要素：数据挖掘、推断和预测》第二版：Hastie 和 Tibshirani 涵盖了广泛的主题，从监督学习（预测）到无监督学习，包括神经网络、支持向量机、分类树和提升算法——这是任何书籍中对该主题的首次全面论述。

  • 2010-统计学大全：统计推断简明教程 #书籍#：本书旨在为统计学、计算机科学（特别是数据挖掘和机器学习）、数学及相关学科的学生提供概率和统计学的广泛背景知识。

  • 2012-李航-统计方法学#Book#：全书系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件场随机等。

  • 2016 年沉浸式线性代数 #书籍#：世界上第一本带有完全交互式图形的线性代数书籍。

  • 2017年出版的《机器学习的数学原理》一书指出：机器学习理论是一个交叉领域，它融合了统计学、概率论、计算机科学和算法等多个方面，旨在通过迭代学习数据并发现隐藏的洞见，从而构建智能应用程序。尽管机器学习和深度学习拥有巨大的潜力，但要真正理解算法的内在运作机制并获得良好的结果，必须对其中许多技术有透彻的数学理解。

机器学习 | 机器学习

  • 2007-模式识别与机器学习#书籍#：本书适用于机器学习、统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学等课程。

  • 2012年出版的《机器学习：概率视角》（Machine Learning: A Probabilistic Perspective）是一本全面而独立的教材，它以统一的概率方法对机器学习领域进行了介绍。本书内容兼具广度和深度，既提供了概率论、优化和线性代数等必要的背景知识，也探讨了该领域的最新进展，包括条件随机场、L1正则化和深度学习。

  • 2014 年 - 《剑桥人工智能手册》#书籍#：本书侧重于理论而非技术和应用问题，不仅对从事人工智能工作的人有价值，而且对其他学科中希望获得权威和最新人工智能领域介绍的人也有价值。

  • 2015-数据挖掘，教科书#书籍#：这本教科书探讨了数据挖掘的各个方面，从基础知识到复杂的数据类型及其应用，涵盖了数据挖掘问题的广泛领域。

  • 2016年——《深入机器学习》#书籍#：我先是通过实践摸索学习Python，后来才开始认真学习。我想用机器学习来实践这种方法。如果你也喜欢这种方式，那就和我一起提前了解一下吧。

  • 2016-周志华-机器学习#Book#：机器学习》该领域的入门教材，在内容上涵盖了机器学习基础知识的各个方面。介绍了机器学习的基础知识，经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、加权学习、降维与注意力学习），特征选择与稀疏学习、学习理论、半监督学习、计算概率图模型、规则学习以及强化学习等。

  • 2016-Prateek Joshi-Python Real World Machine Learning #Book# : 学习如何使用 Python 构建强大的机器学习模型来解决具有挑战性的数据科学问题。

  • 2016 年 - 使用 Python 设计机器学习系统：了解机器学习设计过程，优化机器学习系统以提高准确性，了解机器学习的常用编程工具和技术，开发处理来自各种来源的大量数据的技术和策略，构建模型来解决独特的任务。

  • 2018-AndrewNG-机器学习渴望#书籍#：这本书的重点不在于教你机器学习算法本身，而在于如何让机器学习算法发挥作用。有些人工智能技术课程会给你一把锤子；而这本书教你如何使用这把锤子。

  • 2018年——《人工智能：现代方法》（第三版）#书籍#：《人工智能：现代方法》（第三版）对人工智能的理论和实践进行了最全面、最新的介绍。作为该领域的佼佼者，这本教材是人工智能专业一学期或两学期本科生或研究生课程的理想之选。

强化学习 | 强化学习

  • 2018-强化学习导论-第二版 #书籍#：这本教材以清晰简洁的方式阐述了强化学习的关键概念和算法，适合所有相关学科的读者阅读。读者需具备概率论的基本概念。

深度学习 | 深度学习

  • 2015-Goodfellow、Bengio 和 Courville-《深度学习教科书》#书籍#：中文译本在此，《深度学习教科书》旨在帮助学生和从业人员进入机器学习领域，特别是深度学习领域。本书的在线版本现已完成，并将继续免费在线提供。
  • 2016年斯坦福深度学习教程#书籍#：本教程将教授您无监督特征学习和深度学习的主要思想。通过学习本教程，您还将实现几种特征学习/深度学习算法，亲眼见证它们的运行效果，并学习如何将这些思想应用/调整到新的问题中。

  • 2016-使用 TensorFlow 构建机器学习项目 #书籍#：引人入胜的项目将教你如何利用复杂数据来获得最大的洞察力。

  • 2016-深度学习入门#Book#：你现在看的这本书是一本“吸引力”电子书——每一章都可以在一个 Jupyter Notebook 里运行。我们把 Jupyter、PaddlePaddle、以及各种被依赖的软件都备份进一个 Docker 镜像了。所以你不需要自己来安装各种软件，只需要安装 Docker 即可。

  • 2017年——神经网络与深度学习 #书籍#：《神经网络与深度学习》是一本免费的在线书籍。本书将向您介绍：(1) 神经网络，一种优美的、受生物启发的编程范式，它使计算机能够从观测数据中学习。(2) 深度学习，一套强大的神经网络学习技术。

  • 2017-TensorFlow 书籍 #书籍#：附带 TensorFlow 机器学习的源代码。请参阅本书以获取分步说明。

自然语言处理 | 自然语言处理

计算机视觉 | 计算机视觉

数据科学 | 泛数据科学

  • 2012-深入浅出数据分析-中文版#Book#：深入浅出数据分析》以类似“章回小说”的作业形式，精准地向读者开展的数据分析要应知应会的技术：分析基本步骤、实验方法、最优化方法、图示检验方法、贝叶斯统计方法、重视概率法、信息法、直方图法、回归法、作业整理处理、相关数据库、数据技巧；正文之后，意犹未尽地以三篇附录介绍数据分析十大业务、R工具及工具库工具，在充分开展目标知识之外，为读者搭建了进行深入研究的桥梁。

  • 2014-从零开始的数据科学#书籍#：在这本书中，你将通过从零开始实现它们来学习许多最基本的数据科学工具和算法的工作原理。

  • 2016-Python 数据科学手册 #书籍#：Python 数据科学手册的 Jupyter Notebook

数据科学人工智能课程链接 | 机器学习、深度学习与自然语言处理领域推荐课程列表

机器学习 | 机器学习

深度学习

  • 2016 年谷歌深度学习课程：在本课程中，您将清楚地了解深度学习的动机，并设计能够从复杂和/或大规模数据集中学习的智能系统。

  • 2017-CS 20SI：TensorFlow深度学习研究课程：本课程将涵盖TensorFlow库在深度学习研究中的基础知识和最新应用。我们的目标是帮助学生理解TensorFlow的图形化计算模型，探索其提供的功能，并学习如何构建和组织最适合深度学习项目的模型。

  • 2017-Fast.ai 深度学习 AI #课程#：由于许多学生都使用过该库来完成“面向程序员的实用深度学习”课程，因此大部分功能都经过了充分的测试。然而，该库在课程之外的应用并不广泛，因此您可能会发现一些功能缺失或不够完善的地方。

自然语言处理 | 自然语言处理

工业应用| 行业应用

自动驾驶| 自动驾驶

示例 | 示范

TensorFlow 学习与实践链接 | TensorFlow 数据 索引

概述 | 概述

案例研究| 案例分析

资源 | 资源集锦

系列| 系列教程

示例 | 效果

  • 2015 年 TensorFlow 示例：本教程旨在通过示例帮助读者轻松入门 TensorFlow。为了便于阅读，教程同时包含 Jupyter Notebook 和源代码以及相关解释。

  • 2016 年 TensorFlow 深度学习教程：本仓库包含从入门到精通的 TensorFlow 深度学习教程代码。所有代码均使用 Python 3 编写。

  • 2017-深度学习21示例：本工程是《21个项目玩转深度学习——基于TensorFlow的实践详解》的对应代码，代码推荐的运行环境为：Ubuntu 14.04，Python 2.7、TensorFlow >= 1.4.0。请尽量使用类UNIX系统和Python 2运行书中的代码。

  • 2017-TensorFlow 模型，作者：Sarasra #项目#：此存储库包含许多用 TensorFlow 实现的不同模型：官方模型、研究模型、示例文件夹和教程文件夹。

  • Android TensorFlow 机器学习示例：本文面向已经熟悉机器学习并知道如何构建机器学习模型的人（在本示例中，我将使用预训练模型）。

  • 2018 年 TensorFlow 深度学习教程：
    本仓库包含从入门到精通的 TensorFlow 深度学习教程代码。所有代码均使用 Python 3 编写。

  • 2018-TensorFlow 项目模板 #项目#：对于任何深度学习项目来说，一个简单且设计良好的结构都至关重要。因此，经过大量的实践和对 TensorFlow 项目的贡献，这里提供了一个 TensorFlow 项目模板，它结合了简洁性、文件夹结构的最佳实践和良好的面向对象编程设计。

  • 2018 年 JavaScript 中的 TensorFlow.js 入门示例：这是我能找到或编写的最简单的机器学习示例集。希望您喜欢。

收藏

教程 | 教程

文章来源：https://dev.to/wxyyxc1992/awesome-links-of-books-courses-examples-for-ai-machinelearning-deeplearning-and-tensorflow-in-2018-1gi0
使用 Popper 2 实现更智能...
如何在不使用 create-rea...