入门神经网络深度学习，推荐学习《深度学习入门：基于Python的理论与实现》，这本书不来虚的，一上来就是手把手教你一步步搭建出一个神经网络，还能把每一步的出处讲明白。理解神经网络，很容易就能入门。
深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。
《深度学习入门：基于Python的理论与实现》中文版PDF，314页，带目录标签，文字可复制。配套源代码。
下载: https://pan.baidu.com/s/1Ew_WvDQljWZ_YnGW-VDlsA
提取码: mh49
推荐非常适合入门神经网络编程的一本书《Python神经网络编程》，主要是三部分： 介绍神经网络的基本原理和知识；用Python写一个神经网络训练识别手写数字；对识别手写数字的程序的一些优化。
清晰易懂，只用了一点数学（目标读者是高中生，书中稍许用到的微积分知识，在附录也有解释），就把神经网络的构造和原理讲得很清楚。讲完理论，作者在书的第二部分进入实践，一步步编写了一段应用神经网络模型识别手写数字的代码，几乎每一步都伴有详细讲解。个人感觉是，如果预先有一点点python的知识，会更容易理解这些代码。第三部分篇幅不长，主要是在某些方面略作延伸，意图应该是希望激发读者进一步探究的兴趣。书中的计算和公式偶有小错误，基本都能通过上下文发现。
《Python神经网络编程》中文版，255页，带目录和书签，彩色配图，文字可以复制；英文版，207页，带目录和书签，彩色配图，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1__Gvf950IP3JyaLrxmVFWA
提取码: cbrj
神经网络就是给定输入，经过一些处理，得到输出。当不知道具体的运算处理方式时，尝试使用模型来估计其运作方式，在这个过程中可以基于模型输出和已知真实实例之间的比较来得到误差、调整参数。
常见的神经网络模型包括分类器和预测器。分类器是将已有数据分开；预测是根据给定输入，给出预测的输出。本质上没有太大差别。在分类过程中其实就是要找到线分开各组数据，关键就是确定这条线，也就是确定斜率。
要想深入理解机器学习，或者对人工智能的某个领域有所研究，都必须掌握矩阵及其应用。
学习《矩阵分析与应用第2版》时，会发现总结了大量线性代数的知识，主要是给工科生用的。归纳了不少论文中的解法，是做信号处理的一本很不错的工具书。
《矩阵分析与应用（第二版）张贤达》PDF，带目录和书签，文字可以复制。
下载: https://pan.baidu.com/s/1CueIJUC3VP9Wap4f0-rbcg
提取码: 4y3r
适合于需要矩阵知识比较多的理科和工科尤其是信息科学与技术学科使用。系统、全面地介绍矩阵分析的主要理论、具有代表性的方法及一些典型应用。共10章，内容包括矩阵代数基础、特殊矩阵、矩阵微分、梯度分析与最优化、奇异值分析、矩阵方程求解、特征分析、子空间分析与跟踪、投影分析、张量分析。前3章为基础，组成矩阵代数；后7章介绍矩阵分析的主体内容及典型应用。
国内有几本关于强化学习的书，《强化学习精要：核心算法与TensorFlow 实现》介绍了强化学习的基本算法与代码实现，构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。
可以从中学习到基本的马尔可夫决策过程，到各种复杂的强化学习算法。
《强化学习精要：核心算法与TensorFlow 实现》内容翔实，语言简洁易懂，既适合零基础的人员入门学习，也适合相关科研人员研究参考。冯超 编著。
《强化学习精要：核心算法与TensorFlow实现》PDF，386页，带书签目录，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1mXEbu8T9FH5TH6DXNNiC4Q
提取码: xh14
第一部分强化学习入门与基础知识；第二部分最优价值算法；第三部分基于策略梯度的算法；第四部分其他强化学习算法；第五部分反向强化学习
除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助举一反三，掌握算法精髓。介绍的代码可以帮助读者快速将算法应用到实践中。
学习深度学习技术时，会接触到各种各样的工具，各有优缺点，在使用tensorflow时，感觉有两份国内经典的讲深度学习理论与实践的参考，可以学习理论和tensorflow的使用，可以直接上手运用。
我们通过《21个项目玩转深度学习:基于TensorFlow的实践详解》，可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏。《21 个项目玩转深度学习基于TensorFlow 的实践详解》以实践为导向，深入介绍了深度学习技术和TensorFlow 框架编程内容。
《21个项目玩转深度学习:基于TensorFlow的实践详解》PDF，378页，带目录，文字可以复制；配有源程序。
下载: https://pan.baidu.com/s/1SOVi7Rbcu4wX6iP2uVwqbA
提取码: cfbs
《21个项目玩转深度学习:基于TensorFlow的实践详解》共包含21 个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow 的过程变得轻松和高效。
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。
个人觉得github上的中文版翻译的不错，有700多页，深度学习入门经典书籍，前几章的数学基础介绍的相当不错。
高清中文版PDF，带目录，文字能够复制；高清英文版PDF，带目录，文字能够复制；
下载: https://pan.baidu.com/s/1szXe5K1uBpv06v3ESyd3Cw
提取码: sw6k
第一部分基本就是统计学习最基础的线性代数，概率论等，第4章值得一读，讲了些数值分析里常涉及的几个概念(Poor Conditioning, Optimization method)。第5章介绍了Machine Learning各个算法。严格的数学推导较少。
第二部分第7章讲的正则化(Regularization)，第8章的优化方法(Optimization)和11章的方法论是任何模型都离不开的。将(基本)所有正则化方法放到一起讲解并做横向比较。根据个人经验详细阐述了各种情况下对应方法选择。9,10,12章讲的是现在比较成熟的模型及其应用。
第三部分讲的是深度学习领域比较活跃的科研问题。判别式模型(discriminative model)减少而生成式模型(generative model)增多就可以看出主流的研究方向。19章讲的EM算法，MAP，Sparse Coding都是Inference里重中之重。