我们都知道现在机器学习、深度学习的资料太多了，面对海量资源，往往陷入到“无从下手”的困惑出境。而且并非所有的书籍都是优质资源，浪费大量的时间是得不偿失的。今天，给大家推荐这四本好书。

1. 《Deep Learning with Python》

推荐指数：★★★★☆

本书自出版以来收到众多好评，因为是 Keras 作者写的书，所以全书基本围绕着 Keras 讲深度学习的各种实现，从 CNN，RNN 到 GAN 等，偏入门，但也承载着很多作者对深度学习整体性的思考。这是一本偏实战的书，教你使用 Keras 快速实现深度学习经典项目。看完这本书，基本能对 Keras 和深度学习实战有比较初步的掌握了。个人非常推荐！

但是，这本书默认你已经具备了基本的深度学习、神经网络知识。如果你是深度学习的初学者，那么最好先补充一下深度学习的基本入门知识。

本书源码 GitHub 地址：

https://github.com/fchollet/deep-learning-with-python-notebooks

目前本书的英文版和中文版都 pdf 文件都已经打包完毕。

2. 《Python Machine Learning》

推荐指数：★★★☆☆

这本书本身知名度不是特别高，但是书籍质量很高，简单来说就是简易、实用、不枯燥。本书使用了 Scikit-Learn 和 TensorFlow，分别讲解机器学习和深度学习，并每章配备实操代码。还有一点是讲解了如何将机器学习模型发布到 Web 应用。整个知识体系相对更加完善，是一本比较全面的机器学习书籍。

本书源码 GitHub 地址：

https://github.com/rasbt/python-machine-learning-book-2nd-edition

目前本书只有英文版 pdf。

3. 《Hands-On Machine Learning with Scikit-Learn & TensorFlow》

推荐指数：★★★★★

本书中文译为《Scikit-Learn 与 TensorFlow 机器学习实用指南》。这本书最大的特色从理论上讲就是言简意赅，全书基本上没有太多复杂的数学公式推导，语言通俗易懂，很容易看得懂、看得下去。全书共分为两大部分，第一部分介绍机器学习基础算法，每章都配备 Scikit-Learn 实操项目；第二部分介绍神经网络与深度学习，每章配备 TensorFlow 实操项目。附录部分内容也非常丰富。正本书兼顾理论与实战，是一本非常适合入门和实战的机器学习书籍。

本书源码 GitHub 地址：

https://github.com/ageron/handson-ml

目前本书只有英文版 pdf。不过已经有人翻译了中文版，红色石头也在做这件事，目前还在更新，地址如下：

https://github.com/RedstoneWill/Hands-On-Machine-Learning-with-Sklearn-TensorFlow

4. 《Deep Learning》

推荐指数：★★★★☆

又名“花书”。该书由三位大佬 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。相信这本书大部分人入坑深度学习的都知道！

为什么没给这本书打五星呢？其实，我觉得这本书内容很深很全面，但起点稍微高了一些。如果你的数学基础比较好，那么这本书是非常不错的进阶工具书；但如果你刚刚入门深度学习，那么需要补充一定的基本概念知识，再来学习会比较好。

推荐的学习顺序：

“四大名著”介绍完了，每本书都有各自的特色。其实，适合自己的才是最好的。很难有统一的标准和学习线路。但是，从我的角度出发，我觉得一般的适合大多数同学的阅读顺序为：3 -> 2 -> 1 -> 4。如果分侧重的话，我觉得 3 和 1 非常不错。最后，修炼一下深度学习内功心法，即 4。2 可以选读。

　　1.《深度学习》(Deep Learning)

　　出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度学习》(Deep Learning)不可不提。本书旨在成为一本教科书，用于在大学课堂上教授关于深度学习的基本原理和理论。Goodfellow 等人的《深度学习》完全是理论性的书籍，而且没有代码，是深度学习人员必看书籍。

　　2.《深度学习图解》

　　探索深度学习教会你从头开始建立深度学习神经网络。经验丰富的深度学习专家 Andrew W. Trask 将向你展示了深度学习背后的科学，所以你可以自己摸索并训练神经网络的每一个细节。只使用 Python 及其数学支持库 Numpy，就可以训练自己的神经网络，将文本翻译成不同的语言，甚至像莎士比亚一样写作。

　　3.《Python 深度学习》

　　本书介绍了使用 Python 语言和强大的 Keras 库进行深入学习。这本书由 Keras 的创建者、谷歌人工智能研究员 Francois Chollet 撰写，通过直观的解释和实际的例子来巩固你的理解。你将在计算机视觉、自然语言处理和生成模型中探索具有挑战性的概念和实践。当你完成的时候，你将拥有知识和实际操作技能来将深度学习应用到你自己的项目中。

　　4.《神经网络和深度学习》

　　这本书的目的是帮助你掌握神经网络的核心概念，包括现代技术的深入学习。在看完这本书之后，你将写下使用神经网络和深度学习来解决复杂模式识别问题的代码。你将有一个基础使用神经网络和深度学习来攻击你自己设计的问题。

　　5.《机器学习-原理，算法与应用》

　　在这本书中对有监督学习，聚类，降维，半监督学习，强化学习的主要算法进行了细致、深入浅出的推导和证明。对于所需的数学知识，单独用一章做了简洁地介绍，可以帮助小白更快入门。

深度学习的话，你若是真的是小白我建议你还是先学Python基础吧，学的差不多了再考虑学习深度学习。

1. 1.搭建你自己的神经网络（Make Your Own Neural Network）

   

2. 2.用于模式识别的神经网络（计量经济学高级教程）（Neural Networks for Pattern Recognition Advanced Texts in Econometrics）

   

3. 
   

   
   

   3.深度学习

   
   

   出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度学习》（Deep Learning）不可不提。本书旨在成为一本教科书，用于在大学课堂上教授关于深度学习的基本原理和理论。Goodfellow 等人的《深度学习》完全是理论性的书籍，而且没有代码，因此适用对象为学术界的读者。

   这本书首先讨论了机器学习的基础知识，从学术角度讲解了有效研究深度学习所需的应用数学（线性代数，概率和信息论等）知识；在此基础上，本书进一步讲解了深度学习算法和技术的相关知识；在最后一部分，《深度学习》这本书主要讲解了深度学习领域当前的研究趋势以及正在发生的变化。