美亚上受欢迎的10大神经网络书籍

作者: 佚名 2019-03-26 10:20:10

近年来,数据科学和数据挖掘越来越热门,许多人对神经网络和深度学习十分感兴趣,该主题下的书籍也呈现出爆炸式增长,判断一本书对你是否有用的方法就是看看其他人在看什么书?

本文我们罗列了截止2019年3月7日亚马逊神经网络类图书中***的10本书,希望对大家的选择有所帮助

1、《机器学习实战:基于Scikit-Learn和TensorFlow》

《机器学习实战:基于Scikit-Learn和TensorFlow》

本书主要分为两个部分。***部分为第1章到第8章,涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等,帮助读者掌握Scikit-Learn的常用方法;第二部分为第9章到第16章,探讨深度学习和常用框架TensorFlow,一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络,以及卷积神经网络。

2、《Python深度学习》

《Python深度学习》

本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。曾获得豆瓣满分10分的好评

3、《The Book of Why》

《The Book of Why》

这是一本非常好的计算机科普读物,由图灵奖获得者Judea Pearl执笔,展示了理解因果关系如何彻底改变科学并将革新人工智能

4、《Python神经网络编程》

《Python神经网络编程》

本书揭示神经网络背后的概念,并介绍如何通过Python实现神经网络。全书分为3章和两个附录。第1章介绍了神经网络中所用到的数学思想。第2章介绍使用Python实现神经网络,识别手写数字,并测试神经网络的性能。第3章带领读者进一步了解简单的神经网络,观察已受训练的神经网络内部,尝试进一步改善神经网络的性能,并加深对相关知识的理解。

5、《***算法》

《***算法》

作者指出机器学习五大学派,每个学派都有自己的主算法,能帮助人们解决特定的问题。而如果整合所有这些算法的优点,就有可能找到一种“***算法”,该算法可以获得过去、现在和未来的所有知识,这也必将创造新的人类文明。

6、《Python机器学习》

《Python机器学习》

本书向读者介绍了机器学习和深度学习算法,并向你展示了如何将书中的实例方法运用于实际工作中,通过这本书你不仅可以了解了解数据科学,机器学习和深度学习中的关键框架,还能学会使用TensorFlow库掌握深度神经网络实现

7、《Learning From Data》

《Learning From Data》

这本书是为机器学习的短期课程而设计的。它可以帮助打下一个良好的数据科学基础,书中很好地平衡了理论和实践的占比。

8、《增强人类》

《增强人类》

本书对人类的未来具有深刻的洞察力,鼓舞人心并且态度严谨,是你想象和创造新现实的指南。对于想要了解新方向和下一步未来的人来说,这是一本必读书籍。

9、《Machine Learning with Python 》

《Machine Learning with Python 》

本书主要介绍如何使用Python和Scikit-learn库开发成功的机器学习应用程序,通过本书,你将学到机器学习相关的重要概念和实际应用,***的机器学习算法的优缺点等

10、《MATLAB Deep Learning》

《MATLAB Deep Learning》

在这本书中,你从机器学习基础开始,然后继续学习神经网络,深度学习,然后是卷积神经网络。全书使用使用MATLAB作为底层编程语言和工具,用于本书的示例和案例研究。

神经网络 机器学习 书籍
上一篇:GitHub超过3000赞的「机器学习路线图」,教你升级打怪全攻略 下一篇:甲骨文CEO赫德:我们无需担心AI
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

对象存储适合人工智能和机器学习的三个原因

如今,各种类型的企业都致力于采用人工智能和机器学习项目,但要发挥其真正的潜力,则需要克服重大的技术障碍。虽然计算基础设施通常是重点,但存储设施也同样重要。

Gary Ogasawara ·  1天前
机器学习:有监督和无监督之间有什么区别

机器学习是人工智能的一个子集,它通过示例和经验教会计算机执行任务,是研究和开发的热门领域。我们每天使用的许多应用程序都使用机器学习算法,包括AI助手,Web搜索和机器翻译。

AI国际站 ·  1天前
机器学习的七原罪

机器学习是一种伟大的工具,正在改变着我们的世界。 在许多伟大的应用中,机器(尤其是深度学习)已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net,我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过,我看到机器学习方法每天都在失败。 在许多这样的情况下,人们迷上了机器学习的七大罪过之一。

闻数起舞 ·  1天前
为ML模型注入灵魂:基于MVP的超简单部署方案

开发一个出色的机器学习模型是一件棘手的事,但即使开发完成也不意味着工作的结束。在部署之前,它仍然毫无用处,他人可以轻易访问。

读芯术 ·  1天前
可再生能源与机器学习“双重加持”,谷歌成功实现风力预测

从传统角度看,电力电场的发电能力普遍较弱,因为我们至今很难预测无形无相的风,会在新一天中表现出怎样的活动趋势。

佚名 ·  1天前
明确解释:机器学习与统计建模有何不同

这篇文章提出了一个非常重要的区别,我们应该将其理解为数据科学领域的活跃部分。 上面的维恩图最初是由SAS Institute发布的,但是它们的图显示统计和机器学习之间没有重叠,据我所知,这是一个疏忽。

闻数起舞 ·  1天前
不用任何数学方法,如何计算圆面积

借鉴统计学习和机器学习的核心原理,我们可以使用蒙特卡罗模拟和多项式/二次回归来创建基于计算的方法,以找到圆的面积公式。

机器之心 ·  2天前
2020年十大人工智能趋势

人工智能在工作场所中崛起以支持和维持数字化劳动力的趋势是2020年的明显趋势。人工智能,机器学习,神经网络或其他任何花哨的术语行业都应运而生,它被定义为复杂的计算机技术,被广泛用于理解和改善业务和客户体验。

闻数起舞 ·  2天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载