GAITC 2019全球人工智能技术大会推荐书单

2019 全球人工智能技术大会（2019 GAITC）以“前端引领、深度透视、加速融合”为使命，立足当下，放眼未来，致力于搭建一个全球共通、共建、共享的中国平台。历经三届精心打磨，GAITC已成为智能科技创新与产业融合的世界盛会。

5月25日至26日，以“交叉、融合、相生、共赢”为主题的2019 GAITC将在南京全新亮相。

大会汇聚两院院士、行业专家学者、全球知名AI企业代表与技术领军者，将为现场数千名观众和全球网友呈现一系列重磅、新颖、前沿的研究及实践成果，以国际化视角全景式勾勒人工智能发展蓝图，洞见未来趋势，锚定产业方向。

此次会议，为场内及场外的朋友们定制一份人工智能书单，请您收下。

#最新上架

###动手学深度学习

人工智能机器学习深度学习领域重磅教程图书

美亚科学家作品

手学深度学习的全新模式，原理与实战紧密结合

目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、交互式的深度学习的学习体验。

###深入浅出人工神经网络

本书作为描述和讲解人工神经网络技术原理的入门图书，旨在让读者在最短的时间内对这些原理知识有一个清晰明了的认识和理解。机器学习是人工智能领域的一个子领域，人工神经网络或深度学习又是机器学习领域的一个子领域。深度学习是深度神经网络采用的学习方法，深度神经网络是深度学习方法的基础架构。目前，人工神经网络和深度学习这两个术语几乎成了同义词，常常混用，并且在只提其一时，实则二者皆指。

#人工智能书单

１、深度学习

译者：赵申剑, 黎彧君, 李凯, 符天凡

AI圣经，deeplearning中文版，2018年图灵奖获奖者作品，业内人称“花书”

人工智能机器学习深度学习领域奠基性经典畅销书

长期位居美国ya马逊AI和机器学习类图书榜首！

所有数据科学家和机器学习从业者的bi读图书！

特斯拉CEO埃隆·马斯克等国内外众多专家推jian！

本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

２、人工智能（第2版）

[美] 史蒂芬·卢奇（Stephen Lucci），丹尼·科佩克（Danny Kopec） 著

人工智能百科全书

易于上手的人工智能自学指南

涵盖机器学习 深度学习 自然语言处理 神经网络 计算机博弈等各种知识 图文详细 讲解细致 配备丰富的教学资源和学习素材

美国经典教材，在美亚上，被评价为自Russell & Norvig的《人工智能：一种现代方法》之后更好的教材，更加适合本科生使用。

本书提供了丰富的教学配套资源，适合作为高等院校人工智能相关专业的教材，也适合对人工智能相关领域感兴趣的读者阅读和参考。

３、Python 神经网络编程

人工智能深度学习机器学习领域又一重磅力作

自己动手用Python编写神经网络

美亚排名前茅荣获众多好评 全彩印刷 图表丰富

本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。本书的目标是让尽可能多的普通读者理解神经网络。读者将学习使用Python开发自己的神经网络，训练它识别手写数字，甚至可以与专业的神经网络相媲美。

４、PyTorch深度学习

译者：王海玲, 刘江峰

使用PyTorch开发神经网络的实用指南

深度学习框架PyTorch入门教程，涵盖机器学习、神经网络、计算机视觉应用等知识，提供本书彩图和源代码下载

本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。

５、Python机器学习

[印] 阿布舍克·维贾亚瓦吉亚（Abhishek Vijayvargia） 著，宋格格 译

Python机器学习实战教程

人工智能图书，Python程序员进阶图书

涵盖数据可视化、无监督学习、神经网络和深度学习、推荐系统等常见知识

《Python机器学习》通过数学解释和编程示例描述了机器学习中的概念，每一章的内容都从技术的基本原理和基于真实数据集的工作实例开始，在提出应用算法建议的同时，指出了每种技术的优缺点。 《Python机器学习》提供了大量的Python代码示例。Python已成为主流编程语言之一，它免费且开源，并得到了开放社区的支持，其中包含大量的库供读者直接使用。

６、Python机器学习 预测分析核心算法

[美] Michael Bowles（鲍尔斯） 著，沙嬴，李鹏 译

人工智能深度学习参考书目

掌握算法和Python编程

用Python分析数据 预测结果的简单高效的方式

本书通过集中介绍两类可以进行有效预测的机器学习算法，展示了如何使用Python 编程语言完成机器学习任务，从而降低机器学习难度，使机器学习能够被更广泛的人群掌握。

７、贝叶斯方法 概率编程与贝叶斯推断

[加] Cameron Davidson-Pilon（卡梅隆·戴维森-皮隆） 著，辛愿，钟黎，欧阳婷 译

机器学习 人工智能 数据分析从业者的技能基础

国际杰出机器学习专家余凯博士 腾讯专家研究员岳亚丁博士推荐

下一个十年，掌握贝叶斯方——就像今天掌握C、C++、Python一样重要

８、精通数据科学：从线性回归到深度学习

数据科学入门到实战

基于Python建模 详解从统计分析学到人工智能机器学习 深度学习 神经网络编程中用到的算法及模型

本书全面讲解了数据科学的相关知识，从统计分析学到机器学习、深度学习中用到的算法及模型，借鉴经济学视角给出模型的相关解释，深入探讨模型的可用性，并结合大量的实际案例和代码帮助读者学以致用，将具体的应用场景和现有的模型相结合，从而更好地发现模型的潜在应用场景。

９、深度强化学习原理与实践

本书构建了一个完整的深度强化学习理论和实践体系：从马尔可夫决策过程开始，根据价值函数、策略函数求解贝尔曼方程，到利用深度学习模拟价值网络和策略网络。书中详细介绍了深度强化学习相关算法，如Rainbow、Ape-X算法等，并阐述了相关算法的具体实现方式和代表性应用（如AlphaGo）。此外，本书还深度剖析了强化学习各算法之间的联系，有助于读者举一反三。

10、神经网络算法与实现——基于Java语言

译者：范东来, 封强

本书通过9章内容，并结合Java编程语言，由浅入深地介绍了神经网络算法的应用。书中涉及神经网络的构建、神经网络的结构、神经网络的学习、感知机、自组织映射等核心概念，并将天气预测、疾病诊断、客户特征聚类、模式识别、神经网络优化与自适应等经典案例囊括其中。本书在附录中详细地指导读者进行开发环境的配置，帮助读者更加顺利地进行程序开发。

本文转载自异步社区

高性能计算

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。