强化学习正在改变人类社会的方方面面:基于强化学习的游戏AI 已经在围棋、星际争霸等游戏上战胜人类顶尖选手，基于强化学习的控制算法已经运用于机器人、无人机等设备，基于强化学习的交易算法已经部署在金融平台上并取得超额收益。由于同一套强化学习代码在使用同一套参数的情况下能解决多个看起来毫无关联的问题，所以强化学习常被认为是迈向通用人工智能的重要途径。分为三个部分第1 章:介绍强化学习的基础知识与环境库Gym 的使用，并给出一个完整的编程实例。
《强化学习原理与python实现》PDF源代码
《强化学习原理与python实现》PDF，249页，文字可复制；配套源代码。肖智清著
下载:https://pan.baidu.com/s/1Qayw80Frd-tgMFsnBqIcKw
提取码: pkj1
第2~9 章:介绍强化学习的理论和算法。采用严谨的数学语言，推导强化学习的基本理论，进而在理论的基础上讲解算法，并为算法提供配套的Python 实现。算法的讲解和Python 实现逐一对应，覆盖了所有主流的强化学习算法。
第10 ~ 12 章:介绍多个综合案例，包括电动游戏、棋盘游戏和自动驾驶。环境部分涵盖Gym 库的完整安装和自定义扩展，也包括Gym 库以外的环境。算法部分涵盖了《自然H 科学》等权威期刊发表的多个深度强化学习明星算法。
完整地介绍了主流的强化学习理论。采用完整的数学体系，各章内容循序渐进，严谨地讲授强化学习的理论基础，主要定理均给出证明过程。基于理论讲解强化学习算法，覆盖了所有主流强化学习算法，包括资格迹等经典算法和深度确定性梯度策略等深度强化学习算法。
采用一致的数学符号，但是当前更新策略的优劣只能等到跟踪失败或者跟踪过程成功结束才能够判断。监督学习不适于解决这种问题，因此以前的方法都是结合先验知识，人工设定更新策略。现在，强化学习提供了针对这个问题的可行方案。第二个领域是当下比较火热的医疗AI。在这个领域中，由于治疗方案的可行性必须通过对病人长期的观察才能确定，因此监督学习更多地适用于初次诊断。对于长期的治疗、复诊过程，必须采用更恰当的学习范式。
深度学习再看传统机器学习和传统计算机程序没有的优点，这个优点就是，能够处理人们并不完全懂得的问题，而且更擅长处理含噪声或不完全的数据。不能精确定义、有噪声和数据不完全，实际生活中的场景经常是这样的，所以说，深度学习更加贴近生活。人工神经网络的模式匹配和学习能力使它能够解决许多难以或不可能通过标准计算和统计方法解决的问题。
深度学习是目前学术界和工业界都非常火热的话题，在许多行业有着成功应用。由Hulu的近30位算法研究员和算法工程师共同编写完成，专门针对深度学习领域，是百面机器学习的延伸。内容大致分为两个部分，第一部分介绍经典的深度学习算法和模型，包括卷积神经网络、循环神经网络、图神经网络、生成模型、生成式对抗网络、强化学习、元学习、自动化机器学习等；第二部分介绍深度学习在一些领域的应用，包括计算机视觉、自然语言处理、推荐系统、计算广告、视频处理、计算机听觉、自动驾驶等。仍然采用知识点问答的形式来组织内容，每个问题都给出了难度级和相关知识点，以督促进行自我检查和主动思考。每个章节精心筛选了对应领域的不同方面、不同层次上的问题，相互搭配，展示深度学习的“百面”精彩，能找到合适的内容。
《百面深度学习算法工程师带你去面试》PDF+算法面试
《百面深度学习算法工程师带你去面试》PDF，447页，有书签，文字可以复制；葫芦娃著，诸葛越，江云胜主编
下载: https://pan.baidu.com/s/1xFAS_vG505JuGE-DbuisSw
提取码: dfta
机器会思考吗?这样一个简单的问题，可以引起无穷无尽的讨论-而且没有答案。什么叫思考呢?机器会答题算不算思考?能够答题且正确率超过人类算不算思考?能够下棋打败人类算不算思考?能够自己学习进步算不算思
考?能够骗过人算不算思考?能够发明新东西算不算思考?思考要带情绪吗?做出错误的决定?算思考吗?等一下，如果人做了错误的决定，那么他思考了吗?如果机器和人做了同样错误的决定，他们都算思考后的决定吗?
当我们在这些问题里面越陷越深，越来越拢不到答案的时候，也许你终于认识到人的大脑实在是太强大了。人的大脑多个层次之间直觉、感性、理性同时发挥作用又有机结合。人的大脑的学习能力不是规则可以确定的.不是程序所能编写的.也不是训练可以达到的.连我们自己对自己的思考过程都不是特别了嘿。
深度学习正在深刻地改变这个世界。没有深度学习，智能手机的语音识别、Web 的实时翻译、汇率的预测都无从谈起。得益于深度学习，新药的研发、患者的诊断、汽车的自动驾驶都在渐渐成为现实。除此以外，几乎所有的高新技术背后都有深度学习的身影。今后，世界将因深度学习而前进得更远。
《深度学习进阶自然语言处理》的主题是基于深度学习的自然语言处理。简言之，自然语言处理是让计算机理解我们日常所说的语言的技术。让计算机理解我们所说的语言是一件非常难的事情，同时也非常重要。实际上，自然语言处理技术已经极大地改变了我们的生活。Web 检索、机器翻译、语音助理，这些对世界产生了重大影响的技术在底层都用到了自然语言处理技术。
如上所述，我们的生活已经离不开自然语言处理技术。在这个领域中，深度学习也占有非常重要的地位。实际上，深度学习极大地改善了传统自然语言处理的性能。比如，谷歌的机器翻译性能就基于深度学习获得了显著提升。
《深度学习进阶自然语言处理》将围绕自然语言处理和时序数据处理，来介绍深度学习的重要技巧，具体包括word2vec、RNN、LSTM、GRU、seq2seq 和Attention 等。
《深度学习进阶自然语言处理》将尽可能地用简洁的语言来解释这些技术，并通过实际创建它们来帮助读者加深理解。另外，通过实验，我们将实际感受到它们的潜力。
《深度学习进阶自然语言处理》从深度学习的视角探索自然语言处理。全书一共8 章，建议读者像读连载故事一样，从头开始顺序阅读。在遇到问题时，我们会先想办法解决问题，然后再改进解决办法。按照这种流程，我们以深度学习为武器，解决关于自然语言处理的各种问题。通过这次探险，希望能深入理解深度学习中的重要技巧，并体会到它们的有趣之处。没有深度学习，智能手机的语音识别、Web 的实时翻译、汇率的预测都无从谈起。
《深度学习进阶自然语言处理》中文PDF+源代码
《深度学习进阶自然语言处理》中文PDF，带目录，427页，文字可复制，斋藤康毅著，陆宇杰译。配套源代码。
下载: https://pan.baidu.com/s/1By8rhb-lZDnBW74TG9LatQ
提取码: tg83
我们的生活已经离不开自然语言处理技术。在这个领域中，深度学习也占有非常重要的地位。实际上，深度学习极大地改善了传统自然语言处理的性能。比如，谷歌的机器翻译性能就基于深度学习获得了显著提升。
《统计学习方法第2版》PDF+课件+源代码
《统计学习方法第2版》PDF，484页，带书签，文字可复制；配套源代码；配套课件。
下载: https://pan.baidu.com/s/14x1P5jlYsUXbHVIB4xdiIg
提取码: bdd2
统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。《统计学习方法第2版》分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于掌握统计学习方法的实质，学会运用。 介绍了一些相关研究，给出了少量习题， 适用于从事文本数据挖掘、信息检索及自然语言处理等专业的研发人员参考。
建议统计学习方法路线，ng课程入门，知道有哪些算法，大致怎么做，然后去kaggle打个入门赛，别做特征工程，把会的算法全用上。然后放下比赛，开始读《统计学习方法第2版》，同时看机器学习基石或其他比较数学化的进阶课程，这一步不需要你敲代码，你要会的是滚瓜烂熟的推导，做到这一步，再去kaggle参加奖金赛，阅读kernel，学习state of the art 模型，学习特征工程，再在学习过程中阅读最新的论文或者经典的论文，不断迭代这个过程，别淹死在什么机器学习实战上，有现成的轮子不用，非得费那个劲，除非你科班毕业，代码能力扎实，不然你能不能从头实现一遍决策树对你找不找到工作没有任何一毛钱关系。笔试不会考你如何实现hmm，只会考数据结构与算法，面试只会让你推导。
我虽然很喜欢模式识别和机器学习，但我暂时并不希望在这上面做深入的研究，只想把别人研究好的成熟的理论用在计算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K近邻，决策树等等。能够知道每种算法的原理，而并不想深究其实现过程以及理论证明。比如SVM，我想知道的是这种算法如何实现分类，有哪几种类型，每种适合什么样的分类任务，对应的参数的意义是什么。这样我在使用SVM-Light或者libsvm的时候就知道该怎么选用参数，怎么使用学习到的系数。从这个角度看这本书很适合我。当然也适合那些在想在机器学习方面做深入研究的人作为入门教材，我想对原理了解一二之后，阅读大部头或者原著肯定会轻松很多。
《神经网络设计第2版》中文PDF+英文PDF+代码
《神经网络设计第2版》中文PDF，438页，有详细书签目录，文字可以复制；英文PDF，1012页；配套源代码，马丁T. 哈根著;章毅等译.
下载: https://pan.baidu.com/s/1TNQy6TRiiDoZWgPlHV5N_A
提取码: 83hp
《神经网络设计书第2版》主要讨论网络结构、学习规则、训练技巧和工程应用，紧紧围绕“设计”这一视角组织材料和展开讲解，强调基本原理和训练方法，概念清晰，数学论述严谨，包含丰富的实例和练习，并配有课件和MATLAB演示程序。
内容简介明了，直奔主题。每章都有上章回顾，也有这章总结，十分利于初次学习和看完后总结。保留了适量的数学推导，对人的理解恰到好处。数学推导学要用到微积分和线性代数，没有其他的额外知识，例子很好，并且结合了MATLAB。每一个知识点都会举一个例子，并且会详细认真的推导，对知识点的理解有极大的帮助。是MATLAB神经网络工具箱的作者，因此结合了MATLAB编程，方便学生上手实验。
神经网络的原理是拟合曲线，那具体怎样拟合曲线呢？就是通过调节权值，对神经网络最简单直接的概括。机器学习，尤其是机器学习中的深度学习，有一个很重要的环节，应该也是最耗时间、最烧机器的环节，叫训练模型，业内戏称炼丹。训练模型很重要，那主要是在干什么呢？就是调节权值，拿来一个一个的权值挨个试，找到最合适的那个，也就是前面那句文绉绉的“经验风险最小化”，不干别的就干这个。
学习参考《凸优化》中文版PDF+英文版PDF+习题题解
《凸优化》中文PDF，715页，带书签目录；英文PDF，732页，带书签目录；配套习题题解。
下载: https://pan.baidu.com/s/1qNt1gGIrmNcMmxaECu8g8w
提取码: qihn
陈宝林《最优化理论与算法第2版》PDF习题解答+袁亚湘《最优化理论与方法》PDF
《最优化理论与算法第2版》PDF，476页，带书签，文字可复制；配套习题解答PDF，225页，带目录。陈宝林 编著。
下载: https://pan.baidu.com/s/1qNt1gGIrmNcMmxaECu8g8w
提取码: qihn
学习《最优化导论第四版》中英文PDF+题解+《统计学习导论基于R应用》中英文PDF+习题答案
《最优化导论第4版》PDF中英文+习题答案
《最优化导论第4版》中文PDF，428页，带目录，文字可复制；英文PDF，642页，带目录，文字可复制。配套习题题解。《最优化导论第四版》深入浅出，有必要的推导，直观的解释而且还不啰嗦。很多问题的引入都非常自然，从要处理什么问题出发。它是一本难度中上的最优化书籍。很详细得讲了非常多个概念，就一个概念中延伸出很多其它的小问题和小概念，非常实用和全面。
下载: https://pan.baidu.com/s/1M8RpMvLxSoSGuzrSRPM1jQ
提取码: u59g
机器学习会涉及到优化内容，凸优化内容非常丰富。理论部分不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题以及将特殊的优化问题表述为凸优化问题的变换方法，这些内容对灵活运用凸优化知识解决实际问题非常有用。
应用部分分别介绍凸优化在解决逼近与拟合、统计估计和几何关系分析这三类实际问题中的应用；算法部分依次介绍求解无约束凸优化模型、等式约束凸优化模型以及包含不等式约束的凸优化模型的经典数值方法，以及如何利用凸优化理论分析这些方法的收敛性质。
