Deep Learning Books
深度学习书籍
目前还没有多少深度学习领域的书籍，因为它还是个非常新的领域。但是现在有几本书和一些有趣的书可以预购了。
在本博文中，你将会接触到几本现在就可以购买的深度学习相关书籍。
###深度学习教科书
这是一本深度学习的教科书，已经发布有一段时间了，它就叫做 Deep Learning。
它是由深度学习领域的顶级专家Ian Goodfellow,Yoshua Bengio 和 Aaron Courville共同编写，这本书中包含了该领域中的大部分算法还有相应的练习。
我认为它将是这个领域的重要著作，主要是因为它是免费的。就像学习机器学习就该去阅读《The Elements of Statistical Learning》一样重要的书籍。
这本书的大部分内容已经完工，我抢了推荐去阅读它来了解深度学习领域中的理论和算法。
目前的内容如下：
- 第一部分: 应用数学和机器学习基础
- 线性代数
- 概率和信息论
- 数值计算
- 机器学习基础
- 第二部分: 主流深度网络
- 前向深度网络
- 正则化
- 训练深度模型的优化方法
- 卷积网络
- 序列模型：递归网络
- 实用方法论
- 应用
- 第三部分：深度学习研究
- 线性因素模型
- 自动编码
- 表示学习
- 深度学习中的结构化概率模型
- 蒙特卡洛方法
- 配分函数
- 近似推断
- 深度泛化模型
O’Reilly的深度学习书籍
目前有两本由O’Reilly出版的深度学习书籍：
- Deep Learning: A Practitioner’s Approach
- Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms
Deep Learning: A Practitioner’s Approach
这是一本应用书籍，由Deeplearning4J的两位创始人Adam Gibson和Josh Patterson共同编写。Deeplearning4J（DL4J）是针对Java应用的深度学习框架。
这本书非常实用，它面向Java开发者和数据科学家编写，同时我推测其中的例子均采用DL4J框架实现。
这本书计划于2016年5月出版，目前还没有目录信息。
###Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms
这是另一本实用书籍，它是Nikhil Buduma基于Python语言编写。它涵盖了深度学习的概念和例子。可以预购这本书，目前它有五章内容。
这本书的目录如下：
- 神经网络
- 训练前向反馈神经网络
- 用TensorFlow实现神经网络
- 梯度下降
- 卷积神经网络
- 嵌入学习和表示学习
- 序列分析中的深度学习
- 记忆增强深度学习模型
- 深度学习生成模型
- 深度强化学习
- 通用无监督学习
- 训练极限深度神经网络
我非常期待这本书。
###Packt出版的深度学习书
Packt在2016年5月将有一本由Yusuke Sugomori编写的名为《Deep Learning with Java》的书籍出版。它同样是面向Java开发者和数据科学家的，同时提供了使用Deeplearning4J实现的例子。
目前还没有这本书的目录，但是我相信它可以预购了，地址在这里。
###Deep Belief Nets in C++ and CUDA C Timothy Masters已经写了一系列的关于人工神经网络的书籍。在2015年，他编写了两本基于C++和CUDA C的深度信任网络数据。
这本书将提供很多例子，它主要关注在DEEP的软件。可以通过他的个人主页来了解更多关于这个软件的内容。
这两本书分别是：
这本书的目录如下：
- 有监督前向反馈网络
- 受限波兹曼机
- 贪心学习
- DEEP操作手册
Deep Belief Nets in C++ and CUDA C: Volume II: Autoencoding in the Complex Domain
这本书的目录如下：
- 嵌入式类标签
- 信号处理
- 图像处理
- 自动编码
- DEEP 操作手册
###Artificial Intelligence for Humans
Jeff Heaton编写了人工智能方面的三本书籍。
- Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms
- Artificial Intelligence for Humans, Volume 2: Nature-Inspired Algorithms
- Artificial Intelligence for Humans, Volume 3: Deep Learning and Neural Networks
这个系列的第三本书中涵盖了人工神经网络内容，以及一些深度学习上的技巧。
这本书的目录如下：
- 神经网络基础
- 自组织迎合
- Hopfield网络和波兹曼机
- 前向反馈神经网络
- 训练和评价
- 后向训练
- 其他训练
- NEAT，CPNN和混合NEAT
- 深度学习
- 卷积神经网络
- 调参合模型选择
- Dropout和正则化
- 时间序列和递归网络
- 设计神经网络
- 可视化
- 神经网络建模
Jeff是一位社区活跃者，他的书籍得到了广泛的关注，因为他采用了KickStarter来创作。他的第三本书将会是了解神经网络和深度神经网络应用场景的好读物。
###Deep Learning in R N. D. Lewis 在统计和机器学习方面有多本著作。在2016年初，他完成了在R语言方面的深度学习书籍：《Deep Learning Made Easy with R: A Gentle Introduction for Data Science》。
这本书的目录如下：
- 深度神经网络
- Elman神经网络
- Jordan神经网络
- 自动编码的奥秘
- NutShell下的自动编码
- 受限波兹曼机
- 深度置信网络
###Neural Networks and Deep Learning
这本是由Michael Nielsen编写的免费书，地址在这里。
##总结 在本文中，你可以找到基本现有的深度学习书籍。
如果你已经购买或者读过其中的几本，请留言告诉我你的读后感。
如果还有其他深度学习方面的书籍遗漏，请留言告诉我补充。