如何快速入門人工智慧演算法-系統性學習推薦書籍

全書分為三部分，分別介紹機器學習相關的數學基礎（第一部分）；近年來人工智慧領域最為火爆的深度學習（第二部分）；機器學習領取其他尚待進一步研究的領域（第三部分）。

第一部分「應用數學與機器學習基礎」導讀：如果接受過大學本科理工科專業學位的學習，對第一部分中線性代數（第二章），概率與資訊理論（第三章）和數值計算（第四章）的內容應該都不會陌生；有了這些數學基礎，可以開始通過第五章了解機器學習的基礎，包括基本概念，經典演算法，以及對機器構建學習演算法的套路的概括。

第二部分「深度網路：現代實踐」導讀：這一部分是對當下最為火爆的基於深度神經網路的學習演算法的介紹，第六章深度前饋網路介紹了深度神經網路的總體框架，包括神經網路結構和核心學習演算法；第七章深度學習中的正則化和第八章深度模型中的優化介紹了深度學習中常見的欠擬合、過擬合、梯度消失等問題及其對策；接下來隆重出場的是深度學習的代表第九章介紹的卷積神經網路和第十章介紹的循環和遞歸網路，哥倆憑藉在圖像識別和語音處理領域的卓越表現直接帶動了近幾年來的人工智慧的熱潮。利用之前的學習掌握好基本工具後，後面的第十一章實踐方法論和第十二章應用，著眼於具體的應用和在實戰中遇到的模型、參數選擇等問題的建議。

第三部分介紹了諸多機器學習領域尚待進一步研發的課題，為未來機器學習和人工智慧的進一步發展提供了一些有用的研究方向。其中一些典型演算法及其變種實際已經在很多領域得到應用。像自編碼器（第十四章）的概念在圖像壓縮，無線通信裡面的信道壓縮反饋裡面都有不錯的應用；像結構化概率模型（第十六章）的基本思想在無線通信裡面的信道解碼領域裡面用的很多了（因子圖，belief propagation，sum/max-product algorithm）。

如果想簡單了解機器學習的經典演算法，順便學習一下Python，快速上手學習一些實戰經驗，建議讀一下：

「Machine Learning in Action」 by Peter Harrington (https://www.manning.com/books/machine-learning-in-action)

雖然近年來以卷積神經網路和循環神經網路為代表的深度學習演算法以其在圖像識別和語音處理領域的卓越表現吸引了大量的眼球，但是機器學習博大精深，而現實生活中大量的數據挖掘，大數據處理問題並非都依賴於深度學習演算法。很多經典的機器學習演算法在很多實際問題上反而發揮出簡單實用的優勢。推薦的這本書介紹了經典的kNN（k-近鄰）、決策樹、樸素貝葉斯、邏輯回歸、支持向量機、AdaBoost集成、分類回歸樹、k-means（k-均值）聚類、Apriori等演算法，並且通過手把手的代碼編寫案例教人將機器學習演算法實際落地。這本書中所有機器學習演算法的代碼實現都是在Python中開發的。書中在適當的位置穿插介紹了Python相關的基礎知識，如介紹數學計算所需的NumPy庫（第一章），圖像顯示用的Matplotlib庫（第二、三章），建立GUI使用的Tkinter庫。

如果想簡單了解最潮的深度學習工具TensorFlow，建議讀一下：

《TensorFlow實戰Google深度學習框架》 作者：才雲科技Caicloud，鄭澤宇，顧思宇

這本書的撰寫思路優點類似上面介紹的「Machine Learning in Action」，從實戰的角度介紹利用TensorFlow開發深度學習演算法。書中首先介紹了TensorFlow環境的搭建（第二章），接著介紹了TensorFlow環境下進行機器學習演算法開發的總體項目框架，接下來以數字識別，圖像識別等具體案例深入淺出的介紹了深度網路和卷積神經網路的基本技術背景和TensorFlow代碼實現（第四、五、六、七章），然後以自然語言處理等為案例介紹了循環和遞歸網路（第八章）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！