深度学习为世界上的智能系统（比如Google Voice、Siri和Alexa）提供了动力。随着硬件（如GPU）和软件框架（如PyTorch、Keras、TensorFlow和CNTK）的进步以及大数据的可用性，人们在文本、视觉和分析等领域更容易实施相应问题的解决方案。
使用文本数据分词、向量化，通过构建情感分类器训练词向量，下载IMDB数据并对文本分词，构建词表生成向量的批数据，使用词向量创建网络模型，训练模型，使用预训练的词向量，下载词向量，在模型中加载词向量，冻结embedding层权重，递归神经网络（RNN），LSTM，长期依赖，LSTM网络，基于序列数据的卷积网络。
使用PyTorch轻松开发深度学习应用程序，推荐学习《Pytorch 深度学习》。
Pytorch框架《Pytorch 深度学习》中文PDF+英文PDF+mobi+epub+源代码
《Pytorch 深度学习》中文PDF，212页，带目录，文字可复制；《Pytorch 深度学习》英文PDF，250页，带目录，文字可复制；配套源代码。
下载: https://pan.baidu.com/s/1a6HUgw0DR1jvLcQmkejhPQ 提取码: wpxm
《Pytorch 深度学习》对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也有所涵盖。
概率图模型结合了概率论与图论的知识，提供了一种简单的可视化概率模型的方法，在人工智能、机器学习和计算机视觉等领域有着广阔的应用前景。
《概率图模型基于R语言》中文PDF+英文PDF+源代码：《概率图模型基于R语言》中文PDF，199页，带书签目录，文字可以复制。《概率图模型基于R语言》英文PDF，250页，带书签目录，文字可以复制。配套源代码。
下载: https://pan.baidu.com/s/1_NEP6w1Ex14QqQm_Y5uYUg 提取码: 7u9y
《概率图模型基于R语言》旨在帮助读者学习使用概率图模型，理解计算机如何通过贝叶斯模型和马尔科夫模型来解决现实世界的问题，同时教会读者选择合适的R语言程序包、合适的算法来准备数据并建立模型。《概率图模型基于R语言》适合各行业的数据科学家、机器学习爱好者和工程师等人群阅读、使用。
学习深度学习时，我想《Python深度学习》应该是大多数机器学习爱好者必读的书。书最大的优点是框架性，能提供一个“整体视角”，在脑中建立一个完整的地图，知道哪些常用哪些不常用，再据此针对性地查漏补缺就比较方便了，而如果直接查文档面对海量的API往往会无所适从。
《Python深度学习》中文PDF，314页，带目录，彩色配图，文字能够复制；英文PDF，386页，带目录和书签，彩色配图，能够复制；配套源代码。
下载: https://pan.baidu.com/s/1AWvcyx9wt-T0Z1nzZNXHKA 提取码: 8ams
更好的标题应为基于Keras的深度学习。全书分为两大部分，第一部分是对于深度学习的全局介绍，包括其与人工智能、机器学习的关系，一些相关的基本概念如张量(tensor)、梯度下降、神经网络、反向传播算法等等。其中第三章举了三个简单的例子，分别对应的任务是二分类、多分类和回归，让读者快速了解 Keras 的基本使用方法，熟悉使用深度学习处理数据问题的典型流程。第二部分是关于深度学习在计算机视觉和自然语言处理中的实际应用，重点讲解卷积神经网络和循环神经网络，讲了 VAE 和 GAN。
这些内容从另外的角度阐述了一些有关梯度，损失，深度学习的应用，以及这些应用带给我们的启示。所以也适合进阶。
