1.深度学习初学者（Deep Learning for Beginners）
适合人群：初学者、数据科学专业导师
优点：使用图表以最简单的方式使初学者更易理解深度学习的基本概念和算法。通过提供深度学习算法的工作原理的简单示例，然后逐步构建这些示例并逐步引入更复杂的算法部分。
缺点：因适用于初学者，这本书不太重视深度学习的数学。
内容：人工神经网络基础知识——了解机器学习和深度学习的差异——卷积神经网络（CNN）——多层感知器（MLP）等其他算法。
2.深度学习基础：设计下一代机器智能算法（Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms）
适合人群：有一点基础的程序员、熟悉Python的学者、学过微积分的人
优点：作者用一整章篇幅介绍Tensorflow（Google的深度学习框架，用于构建神经网络），内容具有一定先进性。
内容：涵盖了机器学习和神经网络的基础，以及如何训练前馈神经网络。
3.用Scikit-Learn和TensorFlow进行机器学习 （Hand是-On Machine Learnning with Scikit-Learn&TensorFlow）
优点：作者用小白也能理解的方式来解释复杂的话题，本书以正顺序介绍主题，符合学习顺序，书中含有大量具体例子易于理解。
内容：用Scikit-Learn和Google的TensorFlow的实践教程来进行深度学习，MNIST分类器——如何训练模型——SVM，决策树，随机森林等机器学习分类器——Tensorflow（包括安装）——基本的神经网络——深度神经网络。让你通过机器学习项目的从开始到结束，真实的看到如何处理数据，将数据可视化。
4.为外行准备的深度学习(Deep Learning for the Layman)
适合人群：想了解什么是深度学习的人
优点：给想深度学习的人解释了深度学习的相关信息、概念。
内容：介绍了什么是深度学习等基础问题——什么是监督学习——无监督学习和强化学习的差异——分类和聚类等——如何构建神经网络等——卷积神经网络等。
5.建立你自己的神经网络（Make Your Own Neural Network）
适合人群：想学习基本神经网络的基本内容的人
优点：能通过对神经网络的数学指导，完整的理解神经网络的工作方式。
内容：机器学习的高层概述——神经网络的细节——建立自己的神经网络——学习Python编程语言——能够识别手写数字的神经网络——如何让你的神经网络在Raspberry Pi上运行等。
6.Python深入学习（Deep Learning with Python）
适合人群：具有Python基础的人、高中数学水平即可。
优点：本书专注于通过代码片段而非数学符号，作者本身非常有吸引力，使得非常易读。
内容：主要介绍了深度学习使用Python编程语言和开源Keras库，从学习深度学习——图像分类模型——如何使用深度学习获取文本和序列——如何使用神经网络生成文本和图像。
最后
为帮助那些往想互联网方向转行想学习，却因为时间不够，资源不足而放弃的人。我搜集整理了一套完整的IT学习资料，包括运营技巧、SEO优化等，比自己在网上零散收集的结构性和连贯性更强，只为帮助那些想学习的人！需要的同学可私信！私信！回复“资料”
☟☟☟☟戳
閱讀更多 中公優就業 的文章
