Textbook & Reference
Machine Learning Books
Machine Learning Books
- Introduction to Machine Learning, 3rd, E. Alpaydin, MIT Press, 2014.
- Machine Learning in Action. Peter Harrington, Manning Publications Co., 2012.
- Machine Learning: An Algorithmic Perspective, S. Marsland, Chapman and Hall/CRC, 2009.
- Understanding Machine Learning: From Theory to Algorithms, Shai Shalev-Shwartz and Shai Ben-David, Published by Cambridge University Press, 2014. (Free PDF)
- 本書偏重理論
- Python與機器學習
- 今天不學機器學習，明天就被機器取代：從 Python入手+演算法，佳魁資訊，2016
- 機器學習使用Python：使用 scikit-learn 學習 Python 機器學習應用 (免費電子書 PDF，網頁)
- Learn Python the Hard Way, 3rd Edition (免費電子書)
- Python 機器學習書單，博碩，2016
TensorFlow Books
TensorFlow Books
- TensorFlow+Keras 深度學習人工智慧實務應用，博碩，2017/06 (天瓏)
- Building Machine Learning Projects with TensorFlow. By R. Bonnin, Packt (code), 2016. (輔大圖書館)(PDF)
- 深度學習快速入門—使用 TensorFlow，博碩，2017. 原文書：G. Zaccone, Getting Started with TensorFlow, Packt, 2016. (PDF)
- TensorFlow Machine Learning Cookbook. By Nick McClure, Packt (code), 2017. (輔大圖書館)(PDF)
- 本書偏重程式實作(Python)，但是請不要把此書當作入門書，也不建議單獨購買此書，請將本書當做「進階」實戰書籍 。舉例而言，如果你不太了解卷積神經網路的輸入輸出，你會被書中許多基本概念搞暈。如果你已經看過其它的ML程式實作的書並且對書中的例子進行了實戰，那麼這本書可以給你提供更多的進階練習與實踐。
- 雖然書中內容和程式有一些錯別字，不過在自然語言處理等內容上，還是列舉了許多不錯的實例。
- Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques for Building Intelligent Systems. By Aurélien Géron, O'Reilly Media, 2017.
- 本書理論與實作並重，以Python程式語言為主搭配Scikit與TensorFlow。全書寫得通俗易懂，可讀性蠻高。
- 雖然本書有大量公式，不過作者用簡單的方式詮釋了複雜的概念。除了數學外，也有詳盡的實例和相應代碼與數學理論相呼應。
Deep Learning Books
Deep Learning Books
- 入門 AI 從「深度學習」開始，五本必讀的深度學習聖經書籍, 2017/05/10.
- 深度學習快速入門—使用 TensorFlow，博碩，2017
- 深度學習系列書籍，天瓏網路書店
- Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms. By Nikhil Buduma, O'Reilly Media, May 2017. (TensorFlow code @GitHub)
- Deep Learning. By Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016. (Free Online HTML) (輔大圖書館)(免費中文版PDF)
- 本書作者 Ian Goodfellow 為GAN模型的創始者，並曾在 Google Brain 和 OpenAI 工作。不少人認為這本書是深度學習領域的聖經，因為它是迄今為止唯一一本融合了前幾十年研究工作的鴻篇巨著。
- 本書偏重理論，書中不僅有大量的公式，同時寫得比較枯燥乾澀。除非自認數學基礎深厚，否則不建議從本書入門。本書比較適合那些經過幾年相關工作後，仍想進一步掌握深度學習的從業者。對於擁有較多專業領域知識且正準備初次踏入 AI 行業的專業程序員而言，這也是一本比較全面的指南。
- Deep Learning: A Practitioner’s Approach. By Adam Gibson and Josh Patterson, O'Reilly Media, 2017.
- 該書主要使用 Java 的深度學習框架 DL4J。目前 AI 領域的研究大多數使用 Python 語言實現，不過隨著越來越多企業湧入機器學習領域，Java 的使用可能會逐漸增多。由於 Java 擁有龐大的生態系統，現在的大公司裡，它仍然是主要的開發工具。
- 本書的讀者設定是深度學習的初學者。因此，如果你已經有一些深度學習的基本知識、並想進一步深入研究如何用 Java 實現深度學習的話，請直接跳過前面的例子。但是如果你沒什麼深度學習經驗，Java 也不太熟悉的話，那麼這本書值得你細細研讀。 尤其是第 4 章「出色的深度學習架構」，提供了一個可以幫你解決現實應用中架構問題的關鍵方法 。
- Deep Learning with Python. By Francois Chollet, Manning Publications, 2017/10. (Github)
- 本書作者Francois Chollet是 Keras 框架的構建者，目前還在出版中，預計2017年底出版。
- 本書內容寫得很好，極力推薦此書。作者神奇的將復雜概念簡單化(例如張量)，文中措詞巧妙，可讀性強。 即使是 AI 和深度學習中最具挑戰性的概念，他也同樣解釋的通俗易懂。書中有大量不錯的實例，大家可以在他的 Github上看看。