《深度學習》由全球知名的三位專家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，它們被公認爲是深度學習未來的研究重點。
《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟件工程師。
編輯推薦
深度學習是機器學習的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界。因爲計算機能夠從經驗中獲取知識，所以不需要人類來形式化地定義計算機需要的所有知識。層次概念允許計算機通過構造簡單的概念來學習複雜的概念，而這些分層的圖結構將具有很深的層次。本書會介紹深度學習領域的許多主題。
本書囊括了數學及相關概念的背景知識，包括線性代數、概率論、信息論、數值優化以及機器學習中的相關內容。同時，它還介紹了工業界中實踐者用到的深度學習技術，包括深度前饋網絡、正則化、優化算法、卷積網絡、序列建模和實踐方法等，並且調研了諸如自然語言處理、語音識別、計算機視覺、在線推薦系統、生物信息學以及視頻遊戲方面的應用。最後，本書還提供了一些研究方向，涵蓋的理論主題包括線性因子模型、自編碼器、表示學習、結構化概率模型、蒙特卡羅方法、配分函數、近似推斷以及深度生成模型。
封面特色：由藝術家Daniel Ambrosi提供的中央公園杜鵑花步道夢幻景觀。在Ambrosi的億級像素全景圖上，應用Joseph Smarr（Google）和Chirs Lamb（NVIDIA）修改後的Google DeepDream開源程序，創造了Daniel Ambrosi的“幻景”。
作者簡介
Ian Goodfellow，谷歌公司(Google) 的研究科學家，2014 年蒙特利爾大學機器學習博士。他的研究興趣涵蓋大多數深度學習主題，特別是生成模型以及機器學習的安全和隱私。Ian Goodfellow 在研究對抗樣本方面是一位有影響力的早期研究者，他發明了生成式對抗網絡，在深度學習領域貢獻卓越。
Yoshua Bengio，蒙特利爾大學計算機科學與運籌學系(DIRO) 的教授，蒙特利爾學習算法研究所(MILA) 的負責人，CIFAR 項目的共同負責人，加拿大統計學習算法研究主席。Yoshua Bengio 的主要研究目標是瞭解產生智力的學習原則。他還教授“機器學習”研究生課程(IFT6266)，並培養了一大批研究生和博士後。
Aaron Courville，蒙特利爾大學計算機科學與運籌學系的助理教授，也是LISA 實驗室的成員。目前他的研究興趣集中在發展深度學習模型和方法，特別是開發概率模型和新穎的推斷方法。Aaron Courville 主要專注於計算機視覺應用，在其他領域，如自然語言處理、音頻信號處理、語音理解和其他AI 相關任務方面也有所研究。
中文版審校者簡介
張志華，北京大學數學科學學院統計學教授，北京大學大數據研究中心和北京大數據研究院數據科學教授，主要從事機器學習和應用統計學的教學與研究工作。
譯者簡介
趙申劍，上海交通大學計算機系碩士研究生，研究方向爲數值優化和自然語言處理。
黎彧君，上海交通大學計算機系博士研究生，研究方向爲數值優化和強化學習。
符天凡，上海交通大學計算機系碩士研究生，研究方向爲貝葉斯推斷。
李凱，上海交通大學計算機系博士研究生，研究方向爲博弈論和強化學習。
深度學習deep learning中文版 花書AI書籍 神經網絡框架算法機器人系統編程機器學習人工智能教程
《深度學習》由優選知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville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：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，它們被認可爲是深度學習未來的研究重點。《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟件工程師。
目前市面上有關深度學習介紹的書籍大多可分兩類，一類側重方法介紹，另一類側重實踐和深度學習工具的介紹。本書同時覆蓋方法和實踐。本書不僅從數學的角度闡述深度學習的技術與應用，還包含可運行的代碼，爲讀者展示如何在實際中解決問題。爲了給讀者提供一種交互式的學習體驗，本書不但提供免費的教學視頻和討論區，而且提供可運行的Jupyter記事本文件，充分利用Jupyter記事本能將文字、代碼、公式和圖像統一起來的優勢。這樣不僅直接將數學公式對應成實際代碼，而且可以修改代碼、觀察結果並及時獲取經驗，從而帶給讀者全新的、交互式的深度學習的學習體驗。 本書面向希望瞭解深度學習，特別是對實際使用深度學習感興趣的大學生、工程師和研究人員。本書不要求讀者有任何深度學習或者機器學習的背景知識，讀者只需具備基本的數學和編程知識，如基礎的線性代數、微分、概率及Python編程知識。本書的附錄中提供了書中涉及的主要數學知識，供讀者參考。 本書的英文版Dive into Deep Learning是加州大學伯克利分校2019年春學期“Introduction to Deep Learning”（深度學習導論）課程的教材。截至2019年春學期，本書中的內容已被全球15 所知名大學用於教學。本書的學習社區、免費教學資源（課件、教學視頻、更多習題等），以及用於本書學習和教學的免費計算資源（僅限學生和老師）的申請方法在本書配套網站zh.d2l.ai上發佈。讀者在閱讀本書的過程中，如果對書中某節內容有疑惑，也可以掃一掃書中對應的二維碼尋求幫助。
O1CN011PSIonEF7MTexrM_!!1721181839.jpg (790×50)
本書旨在向讀者交付有關深度學習的交互式學習體驗。書中不僅闡述深度學習的算法原理，還演示它們的實現和運行。與傳統圖書不同，本書的每一節都是一個可以下載並運行的 Jupyter記事本，它將文字、公式、圖像、代碼和運行結果結合在了一起。此外，讀者還可以訪問並參與書中內容的討論。 全書的內容分爲3個部分：部分介紹深度學習的背景，提供預備知識，幷包括深度學習基礎的概念和技術；第二部分描述深度學習計算的重要組成部分，還解釋近年來令深度學習在多個領域大獲成功的卷積神經網絡和循環神經網絡；第三部分評價優化算法，檢驗影響深度學習計算性能的重要因素，並分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。 本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者瞭解基本的Python編程或附錄中描述的線性代數、微分和概率基礎。