這里是 2020年最佳機器學(xué)習(xí)和深度學(xué)習(xí)書籍的名單：
《深度學(xué)習(xí)》
《探索深度學(xué)習(xí)》
《Python 深度學(xué)習(xí)》
《Scikit-Learn與TensorFLow機器學(xué)習(xí)實用指南》
《百頁機器學(xué)習(xí)》
《強化學(xué)習(xí)：導(dǎo)論（第二版）》
《深入強化學(xué)習(xí)實踐》
《從數(shù)據(jù)中學(xué)習(xí)》
《解釋為什么》
《機器學(xué)習(xí)秘籍》
所有資料可以在文末獲取下載方式
這本暢銷書第 2 版使用了兩個面向生產(chǎn)的 Python 框架 Scikit Learn 和 TensorFlow 2.0 幫助您直觀地理解構(gòu)建智能系統(tǒng)的概念和工具。實踐者將學(xué)習(xí)一系列可以快速投入工作中使用的技術(shù)。第 1 部分使用 Scikit Learn 介紹基本的機器學(xué)習(xí)任務(wù)，例如簡單線性回歸。第 2 部分已經(jīng)有了顯著的更新，它使用了 Keras 和 TensorFlow 2.0，通過使用深度神經(jīng)網(wǎng)絡(luò)的更先進的機器學(xué)習(xí)方法來指導(dǎo)讀者。通過每一章中的練習(xí)幫助您應(yīng)用所學(xué)內(nèi)容，您所需要的只是開始編程的經(jīng)驗。
所有資料可以在文末獲取下載方式
這本書被廣泛認為是深度學(xué)習(xí)的“圣經(jīng)”?！渡疃葘W(xué)習(xí)》由全球知名的三位專家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學(xué)習(xí)領(lǐng)域奠基性的經(jīng)典教材。
適合各類讀者閱讀，包括相關(guān)專業(yè)的大學(xué)生或研究生，以及不具有機器學(xué)習(xí)或統(tǒng)計背景、但是想要快速補充深度學(xué)習(xí)知識，以便在實際產(chǎn)品或平臺中應(yīng)用的軟件工程師。
所有資料可以在文末獲取下載方式
探索深度學(xué)習(xí)教會你從頭開始建立深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)！經(jīng)驗豐富的深度學(xué)習(xí)專家 Andrew W. Trask 將向你展示了深度學(xué)習(xí)背后的科學(xué)，所以你可以自己摸索并訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每一個細節(jié)。只使用 Python 及其數(shù)學(xué)支持庫 Numpy，就可以訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò)，將文本翻譯成不同的語言，甚至像莎士比亞一樣寫作！完成后，您將準(zhǔn)備好掌握深度學(xué)習(xí)框架。
資源地址：
https://github.com/iamtrask/Grokking-Deep-Learning
所有資料可以在文末獲取下載方式
本書由Keras之父、現(xiàn)任Google人工智能研究員的弗朗索瓦·肖萊（Fran?ois Chollet）執(zhí)筆，詳盡介紹了用Python和Keras進行深度學(xué)習(xí)的探索實踐，涉及計算機視覺、自然語言處理、生成式模型等應(yīng)用。書中包含30多個代碼示例，步驟講解詳細透徹。由于本書立足于人工智能的可達性和大眾化，讀者無須具備機器學(xué)習(xí)相關(guān)背景知識即可展開閱讀。在學(xué)習(xí)完本書后，讀者將具備搭建自己的深度學(xué)習(xí)環(huán)境、建立圖像識別模型、生成圖像和文字等能力
這本書誕生于 LinkedIn 上的一個挑戰(zhàn)（Andriy 是一個有影響力的人）。他的書不需要太多的介紹：亞馬遜同類產(chǎn)品的暢銷書，可能還是這一主題的最好的書面知識總結(jié)。
如果說《深度學(xué)習(xí)》是深度學(xué)習(xí)領(lǐng)域的圣經(jīng)，那么這本書就是強化學(xué)習(xí)的圣經(jīng)。這是一個相當(dāng)專業(yè)的讀物。我們的建議是在每一章結(jié)束后休息一下，把咖啡倒上，然后實際執(zhí)行算法。
資源：
https://github.com/ShangtongZhang/reinforcement-learning-an-introduction
https://github.com/dennybritz/reinforcement-learning
強化學(xué)習(xí)（RL）與深度學(xué)習(xí)（DL）相結(jié)合的最新發(fā)展，使機器以類似人類的方式解決復(fù)雜問題取得了前所未有的進展。谷歌使用算法來玩和擊敗著名的 Atari 街機游戲，推動了該領(lǐng)域的突出，研究人員正在快速產(chǎn)生新的想法。
深入強化學(xué)習(xí)實踐是對最新 DL 工具及其局限性的全面指導(dǎo)。在將方法應(yīng)用到實際環(huán)境之前，您將評估方法，包括交叉熵和策略梯度。同時使用 Atari 虛擬游戲集和家庭最喜愛的游戲，如 Connect 4。本書介紹了 RL 的基本知識，讓您了解如何編寫智能學(xué)習(xí)代理代碼，以完成一系列強大的實際任務(wù)。了解如何在“網(wǎng)格世界”環(huán)境中實施 Q-Learning，教你交易股票，并了解自然語言模型如何推動聊天機器人的繁榮。
資源：
https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On
如果你想開始學(xué)習(xí)機器學(xué)習(xí)的關(guān)鍵概念，那么你會喜歡這本書：簡單易懂，簡潔明了。這可能是繼吳恩達課程之后最好的學(xué)習(xí)資源！這是我第一本關(guān)于機器學(xué)習(xí)的書和課程。
“相關(guān)性不是因果關(guān)系。”這句科學(xué)家們一個多世紀(jì)以來一直在唱的咒語，實際上已經(jīng)導(dǎo)致了對因果關(guān)系對話的禁止。今天，這個禁忌已經(jīng)消失了。Judea Pearl 及其同事發(fā)起的因果革命，突破了一個世紀(jì)的混亂，在堅實的科學(xué)基礎(chǔ)上確立了因果關(guān)系——因果關(guān)系的研究。他的工作解釋了我們?nèi)绾沃篮唵蔚氖虑椋热缡窍掠赀€是讓人行道濕了的灑水器；以及如何回答棘手的問題，比如藥物是否治愈了疾病。Pearl的工作不僅使我們知道一件事是否會導(dǎo)致另一件事：它讓我們探索了現(xiàn)實世界和本來可能存在的世界。它向我們展示了人類思想的本質(zhì)和人工智能的關(guān)鍵。任何一個想了解的人都需要一本關(guān)于原因的書。
人工智能正在改變許多行業(yè)。機器學(xué)習(xí)渴望，Andrew Ng 博士目前正在撰寫的一本免費書籍，教你如何構(gòu)造機器學(xué)習(xí)項目。
本書的重點不是教你如何使用 ML 算法，而是教你如何使用 ML 算法。閱讀機器學(xué)習(xí)渴望后，您將能夠：
為人工智能項目確定最有希望的方向 -診斷機器學(xué)習(xí)系統(tǒng)中的錯誤在復(fù)雜環(huán)境中構(gòu)建ML，例如不匹配的培訓(xùn)/測試集建立一個ML項目來比較和/或超越人的水平。知道何時以及如何應(yīng)用端到端學(xué)習(xí)、轉(zhuǎn)移學(xué)習(xí)和多任務(wù)學(xué)習(xí)。
資源：
Machine Learning Yearning
