学习数据科学的8类必读书籍（中)

编者按:为了方便对数据科学感兴趣的爱好者和从业者学习，本文作者分享了八种关于数据科学的书籍，包括统计/概率论、机器学习、数据可视化与分析、深度学习、自然语言处理(NLP)、计算机视觉、人工智能和工具/语言。在分享书籍的同时，作者也给出了以下建议:在数据科学领域有很多成功的方法，我们应该选择的方法应该足够简单，能够帮助我们快速入门。

我们之所以在选择学习方法上无所适从，往往是因为我们接触了太多的信息。与其花更多的时间去思考如何获取学习数据科学的技能，不如根据实际需要选择其中一本分享的书籍，然后开始学习。关键是采取一致的行动，坚持阅读。读书的目的是学习和发现藏在书中的真实思想。对数据科学感兴趣的朋友，如果你还没有选好学习资料，请看看作者推荐的这些顶级书籍。本文来自编译，希望对你有帮助。由于篇幅所限，本文分三部分发表，这是第二部分:

4.深度学习书籍

(1)用Python进行深度学习

作者:弗朗索瓦·乔莱

Francois Keras(用Python编写的人工神经网络库，可作为Tensorflow、Microsoft-CNTK和Theano的高级应用程序接口，用于深度学习模型的设计、调试/评估、应用和可视化)的创建者，有比他更好的Python老师吗？同时，我建议你在推特上关注弗朗索瓦，因为我们可以从他身上学到很多东西。

(2)用Python进行深度学习

这本书从一个实用的方法开始，所以我们可以直接从中学习几个有用的技巧。书中内容贴近现实，看完可以马上运用到行动中。这绝对是深入学习的必读书。

(3)深度强化学习的基础——Python中的理论与实践。

作者:劳拉·格雷瑟、劳拉·格雷瑟和华龙径

这是一本探索深度强化学习的高级教材。深度强化学习是一种利用人工智能学习解决序列决策问题的方法。对于任何具有机器学习工作知识并希望使用深度强化学习来解决问题的人来说，这是一本写得很好的书。

(4)深度学习图解——人工智能的可视化、交互式指南。

作者:约翰·克罗恩、格兰特·贝尔维迪尔和阿格莱·巴森

这是一本实用的参考书，可以帮助我们建立对深度学习算法的直觉。在这本可视化和交互式指南中，我们不仅可以学习理论，还可以学习Jupyter笔记本中提供的交互式计算的相应应用程序(基于网络的应用程序)。可应用于计算的全过程:开发、文档、运行代码、显示结果)。

(5) Python机器学习(Python Machine Learning)

作者:奥雷连·杰龙(Aurelien Geron)

这本书的内容介于机器学习的中级和高级阶段之间。它可以满足该领域所有专家和非专家的个性化需求。这本书首先详细介绍了机器学习和深度学习，然后过渡到更高级的方法。这是一本精彩的书！

5.自然语言处理书籍

(1)用Python进行自然语言处理。

作者:史蒂文·伯德、伊万·克莱恩和爱德华·洛佩

这又是一本坚持“边学边练”原则的书。我们需要学习Python的相关概念。如果我们对这些概念一无所知，我们就无法使用NLTK(自然语言工具包)来导航NLP世界。

(2)统计自然语言处理基础

作者:克里斯托弗·曼宁，克里斯托弗·曼宁(辛里奇·舒茨)

这是一个非常全面的指南，它涵盖了NLP中广泛的子主题，如文本分类，词性标注，概率句法分析等。作者在书中加入了严格的数学和语言学基础内容。这本书写得很详细，这样我们看完就能记住。

(3)言语和语言处理

作者:丹尼尔·朱·拉夫斯基，詹姆斯·马丁

这本书侧重于自然语言的实际应用和科学评价。这是一本关于自然语言处理和计算语言学的深度书籍，作者是朱·拉夫斯基和马丁。也是大师们以自己为素材的作品。

6.计算机视觉书籍

(1)计算机视觉:算法和应用。

作者:理查德·塞利斯基

这本书探讨了各种常见的计算机视觉技术。这是一本综合性的书，采用科学的方法解决基本的计算机视觉问题。

(2)用Python编写计算机视觉程序

作者:扬·埃里克·索莱姆

在你深入阅读这本令人惊叹的书之前，请访问书中链接的网站，下载数据集，代码笔记本，并复制那里提到的GitHub资源库。这本书解释了基于数据集、代码笔记本和GitHub库的计算机视觉世界。

(3)计算机视觉:模型、学习和推理。

作者:西蒙·J·D·普林斯博士

这本书从零开始，向我们介绍了概率的概念。在此基础上迅速加快了进程，引入了70多种算法，插入了350多张图作为补充说明。

7.关于人工智能的书籍

(1)人工智能:一种现代方法。

作者:斯图尔特·拉塞尔，彼得·诺维格

是斯图亚特·罗素和彼得·诺威格写的书！一本绝对的宝典。这本书是人工智能领域的重要著作。它包括内容语音识别、自动驾驶汽车、机器翻译和计算机视觉等AI组件。可以算是一本关于AI鼻祖级别的书。

(2)人类的人工智能。

作者:杰夫·希顿

人工智能背后的基本算法是什么？这本222页的书包含了很多技术知识。它是关于人工智能背后的技术(维度、距离测量、聚类、误算、爬山、寻找多元函数局部最小值的Nelder Mead算法、线性回归)的系列书籍的第一卷。这本书还附带了一个网站，其中包括书中引用的例子和一个包含代码的GitHub库。

(3)掌握算法

作者:佩德罗·多明戈斯

如果我们想找一本关于人工智能技术的综合性书籍，那么这本不是我们要找的。但是我们能找到一个单一的算法(或“主算法”)来挖掘关于数据的所有知识吗？请阅读这本书，并加入佩德罗多明戈斯的探索。