人工智能的引爆很大程度上

源自深度学习技术的突破

基于深度强化学习模型的 AlphaGo

敲响了人工智能热潮的晨钟

也激发了大家对深度学习的兴趣

如今深度学习在各个领的研究如火如荼

本书单带你学习了解尖端技术的最新发展

NO. 1

《强化学习（第2版）》

【加】Richard S. Sutton

【美】Andrew G. Barto 著

俞凯 等 译

本书作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。

NO. 2

《深度学习模型及应用详解》

张若非 付强 高斌 张耿豪 叶挺 著

本书作者都是微软人工智能及研究院的研究人员和应用科学家，具有深厚的机器学习背景，在一线针对产品需求和支持的场景进行了大量的深度学习模型及算法的研究和开发，在模型设计、训练、评估、部署、推理优化等模型开发全生命周期积累了丰富的经验。

NO. 3

《移动深度学习》

李永会 著

本书由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试用浅显的语言和几何图形去解释相关内容。本书第1章展示了在移动端应用深度学习技术的Demo，帮助读者建立直观的认识；第2章至第4章讲述了如何在移动端项目中应用深度学习技术；第5章至第8章的难度略大，主要讲述如何深入地调整框架，适配并定制自己的框架。

NO. 4

《实战深度学习算法：零起点通关神经网络模型（基于Python和NumPy实现）》

徐彬 著

深度学习是机器学习的重要分支。本书系统地介绍了如何用Python和NumPy一步步地实现深度学习的基础模型，无须借助TensorFlow、PyTorch等深度学习框架，帮助读者更好地理解底层算法的脉络，进而进行模型的定制、优化和改进。全书由简到难地讲述感知机模型、多分类神经网络、深层全连接网络、卷积神经网络、批量规范化方法、循环神经网络、长短时记忆网络、双向结构的BiGRU模型等神经网络模型的必要算法推导、实现及其实例，读者可直接动手调试和观察整个训练过程，进一步理解模型及其算法原理。

NO. 5

《深度学习之TensorFlow工程化项目实战》

李金洪 编著

这是一本非常全面的、专注于实战的AI图书，兼容TensorFlow 1.x和2.x版本，共75个实例。

本书共分为5篇：第1篇，介绍了学习准备、搭建开发环境、使用AI模型来识别图像；第2篇，介绍了用TensorFlow开发实际工程的一些基础操作，包括使用TensorFlow制作自己的数据集、快速训练自己的图片分类模型、编写训练模型的程序；第3篇，介绍了机器学习算法相关内容，包括特征工程、卷积神经网络（CNN）、循环神经网络（RNN）；第4篇，介绍了多模型的组合训练技术，包括生成式模型、模型的攻与防；第5篇，介绍了深度学习在工程上的应用，侧重于提升读者的工程能力，包括TensorFlow模型制作、布署TensorFlow模型、商业实例。