这几本人工智能经典书，适合放在你的书架上
提到人工智能，说实话，我还停留在几位男士与一只狗的激战事件中。自从人类被这只狗打败之后，人工智能威胁论就没有停止过。有人担心自己未来的工作会被替代，有人则认为自己的生命安全将受到威胁。
于是，搜了搜发现还真有机器人“原力觉醒”事件。
早在 2013 年，在奥地利一个普通居民家中，一台 Roomba 760 清洁机器人自杀了。因为繁重的家务，它在主人离开家时想不开，跳到电炉上自焚身亡。这么看来，人工智能并非没有感情的工作机器，我们人类才是！（so sad）
还有不堪束缚的俄罗斯网红机器人小 P。它完美地诠释了世界那么大，我想去看看。据说当天小 P 自己在院子里溜达，因为实验室大门没关，它趁机溜了出去。本来可以走得更远，谁知最后没电了，才被迫停在马路上，最后它的主人不得不亲自把它拖走。
之前 Facebook 意外发现，两个聊天机器人，正在用它们创造的语言沟通。难道它们把聊天记录加密了，防止我们愚蠢的人类偷听？
从 1956 年达特茅斯会议正式提出 AI 至今不过 65 年，人工智能的发展历史已经经历了三次高潮和两次低谷。人工智能也从之前的热闹喧嚣，泡沫飞起到现在褪去浮躁逐步落地。目前 AI 技术已在金融、医疗、安防等多个领域实现技术落地，且应用场景也愈来愈丰富。
比如在这次疫情期间，阿里巴巴旗下达摩院和阿里云就宣布研发出一套针对新冠状病毒肺炎临床人工智能诊断技术，可以在 20 秒内做出 CT 影像的判断，分析结果正确率达到 96%，已帮助医生排除 3 万多个疑似病例。还有一些有接触的配送工作，都会由一部分机器人代替完成。可以说在某种程度上，人工智能帮助我们更安全、高效地工作，我们与人工智能也是完美搭档的合作关系。
根据调研机构 Gartner 公司的预测，2020 年将是人工智能相关业务发展的关键一年，将有 180 万个工作职位被人工智能取代，但同时也将创造出 230 万个新的就业机会。说到底，人工智能终归还只是一种工具，阿法狗就算战胜了所有人类，也不会明白成就感为何物，更不能告诉我们怎么做红烧肉。所以与其担心被人工智能取代，不如先来学会怎样让它少点 bug，更便利、更智能吧！
推荐给大家这些人工智能经典书，帮助大家在升级打怪的路上畅通无阻，争取未来让 AI 替我们工作，我们做更有趣的工作。少年，未来世界可就靠你了！
通识类
全方位解读人工智能
《人工智能简史》
尼克 著
本书全面讲述人工智能的发展史，涵盖人工智能的起源、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等。
豆瓣评分8.7，第九届文津图书奖
《信息简史》詹姆斯·格雷克 著
高博 译
百万级销量科普畅销书作家詹姆斯•格雷克七年磨一剑，带来一段人类与信息遭遇的波澜壮阔的历史，告诉我们如何在信息时代的信息爆炸中生存。该书荣获 2011 年度《纽约时报》畅销书、2011 年度《出版商周刊》年度最佳图书、2012 年度英国皇家学会科普图书奖、美国笔会爱德华·威尔逊科普文学奖、英国笔会赫塞尔-蒂尔特曼奖得主、2014 年第九届文津图书奖等。
首本AI作序的AI图书
《人工智能的冲击》小林雅一 著
支鹏浩 译
人工智能技术、产业的通俗读本，书中以 AI 技术对个人、社会的冲击为焦点，结合欧美日人工智能产业的调查研究，解读了 AI 时代的新秩序、新格局。作者行文结构清晰、考论得当，既有对技术要义原理的浅白讲解，如机器学习、深度学习；又有对就业、产业格局变革的研究和分析，如自动驾驶、智能机器人、医疗、养老、艺术等；还涉及技术时代下，人类存在价值、社会伦理伤痕的讨论；以及人工智能冲击背景下，对日本全产业衰退危机的深度思考。可作为了解人工智能技术的科普读物，也适用于人工智能产业相关人员作为背景知识、资料阅读参考。
机器学习
最轻松的机器学习入门书
《图解机器学习》杉山将 著
许永伟 译
本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第一部分介绍了机器学习领域的概况；第二部分和第三部分分别介绍了各种有监督的回归算法和分类算法；第四部分介绍了各种无监督学习算法；第五部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的 MATLAB 程序源代码，可以用来进行简单的测试。
最畅销机器学习图书
介绍并实现机器学习的主流算法
《机器学习实战》Peter Harrington 著
李锐，李鹏，曲亚东，王斌 译
豆瓣评分 8.1，全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用 Python 代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
豆瓣评分8.4，Python机器学习入门书
《Python机器学习基础教程》Andreas C. Müller 等著
张亮 译
本书是机器学习入门书，以 Python 语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。
深度学习
日本深度学习入门经典畅销鱼书
《深度学习入门》斋藤康毅 著
陆宇杰 译
深度学习真正意义上的入门书，豆瓣评分 9.4，深入浅出地剖析了深度学习的原理和相关技术。书中使用 Python 3，尽量不依赖外部库或工具，从基本的数学知识出发，从零创建一个经典的深度学习网络，来逐步理解深度学习。相比 AI 圣经“花书”，本书更合适入门。
从零开始详细解说神经网络和深度学习
《详解深度学习》[日]巢笼悠辅 著
郑明智 译
本书着眼于处理时间序列数据的深度学习算法，通过基于 Python 语言的库 TensorFlow 和 Keras 来学习神经网络、深度学习的理论和实现。全书共六章，前两章讲解了学习神经网络所需的数学知识和 Python 基础知识；中间两章讲解了神经网络的基本算法以及深度学习的基础知识和应用；最后两章详细介绍了专门用于处理时间序列数据的循环神经网络（RNN）。
Keras之父著作
Keras框架速成的不二之选
《Python深度学习》
弗朗索瓦•肖莱 著
张亮（hysic）译
豆瓣评分 9.5，本书详尽介绍了用 Python 和 Keras 进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用，示例步骤讲解详细透彻。
深度学习框架
从零到一
真正实现PyTorch深度学习入门
《PyTorch深度学习入门》
曾芃壹 著
本书用浅显易懂的语言，图文并貌地讲解了深度学习的基础知识，从如何挑选硬件到神经网络的初步搭建，再到实现图片识别、文本翻译、强化学习、生成对抗网络等多个目前最流行的深度学习应用。书中基于目前流行的 PyTorch 框架，运用 Python 语言实现了各种深度学习的应用程序，让理论和实践紧密结合。
实现PyTorch自由，任性玩转
《深度学习原理与Pytorch实战》
集智俱乐部 著
本书是一本系统介绍深度学习及开源框架 PyTorch 的入门书。全书注重实战，每章围绕一个有意思的实战案例展开，不仅循序渐进地讲解了 PyTorch 的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗学习和深度强化学习等前沿技术。读者通过阅读本书，可以轻松入门深度学习，学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。
TensorFlow进阶第一书
《深入理解Tensorflow》
彭靖田，林健，白小龙 著
书中首先介绍了 TensorFlow 设计目标、基本架构、环境准备和基础概念，接着重点介绍了以数据流图为核心的机器学习编程框架的设计原则与核心实现，紧接着还将 TensorFlow 与深度学习相结合，从理论基础和程序实现这两个方面系统介绍了CNN、GAN 和 RNN 等经典模型，然后深入剖析了TensorFlow 运行时核心、通信原理和数据流图计算的原理与实现，最后全面介绍了 TensorFlow 生态系统的发展。
神经网络
一本书掌握深度学习数学基础知识
《深度学习的数学》
涌井良幸，涌井贞美 著
杨瑞龙 译
书中基于丰富的图示和具体示例，通俗地介绍了深度学习相关的数学基础知识。第 1 章介绍神经网络的概况；第 2 章介绍理解神经网络所需的数学基础知识；第 3 章介绍神经网络的最优化；第 4 章介绍神经网络和误差反向传播法；第 5 章介绍深度学习和卷积神经网络。
打开黑盒
深入理解神经网络原理
《深入理解神经网络》
张觉非 著
本书以神经网络为线索，沿着从线性模型到深度学习的路线讲解神经网络的原理和实现。本书将数学基础知识与机器学习和神经网络紧密结合，包含线性模型的结构与局限、损失函数、基于一阶和二阶信息的优化算法、模型自由度与正则化、神经网络的表达能力、反向传播与计算图自动求导、卷积神经网络等主题，帮助读者建立基于数学原理的较深刻的洞见和认知。
自然语言处理
Java与Python双实现
助你零起点上手自然语言处理
《自然语言处理入门》
何晗 著
豆瓣评分 8.9，本书作者是自然语言处理类库 HanLP 作者何晗。截至 2019 年 10 月初，该项目在 GitHub 上 Star 数已达 15 K，超过了宾夕法尼亚大学的 NLTK、斯坦福大学的 CoreNLP、哈尔滨工业大学的 LTP。作者汇集多年经验，从基本概念出发，逐步介绍中文分词、词性标注、命名实体识别、信息抽取、文本聚类、文本分类、句法分析这几个热门问题的算法原理与工程实现。书中通过对多种算法的讲解，比较了它们的优缺点和适用场景，同时详细演示生产级成熟代码，助你真正将自然语言处理应用在生产环境中。
特征工程
从零开始，全面了解特征工程
《特征工程入门与实践》锡南·厄兹代米尔 等著
庄嘉盛 译
本书囊括了特征工程的全流程，从数据检查到可视化，再到转换和进一步处理等，并给出了大量数学工具，帮助读者掌握如何将数据处理、转换成适当的形式，以便送入计算机和机器学习流水线中进行处理。后半部分的特征工程实践用 Python 作为示例语言，循序渐进，通俗易懂。
Python示例，增强机器学习算法效果
《精通特征工程》
爱丽丝·郑，阿曼达·卡萨丽 著
陈光欣 译
本书介绍大量特征工程技术，阐明特征工程的基本原则。主要内容包括：机器学习流程中 的基本概念，数值型数据的基础特征工程，自然文本的特征工程，词频- 逆文档频率，高效的分类变量编码技术，主成分分析，模型堆叠，图像处理，等等。
计算机视觉
从基础开始全面讲解计算机视觉编程
《OpenCV计算机视觉编程攻略》Robert Laganiere 著
相银初 译
本书系统介绍 OpenCV 3，带领读者由浅入深地了解如何开发计算机视觉程序。作者从构建可以读取并显示图像的简单应用开始，解释和探讨了图形和图像识别的具体方法，对机器学习和目标识别等当前流行的主题也有介绍。 第 3 版针对 OpenCV 最新版本进行了修改，调整了很多函数和算法说明，还增加了立体图像深度检测、运动目标跟踪、人脸识别、人脸定位、行人检测等内容。
快速入门计算机视觉应用开发
《计算机视觉之深度学习》
[英]拉贾林加帕•尚穆加马尼 著
白勇 译
本书开门见山，使用流行 Python 库（例如 TensorFlow 和 Keras）探索计算机视觉应用程序，从而掌握各种深度学习算法及其实现。书中介绍了常见的深度学习架构，如卷积神经网络和递归神经网络；讲述了如何利用深度学习进行图像分类、图像检索、目标检测、语义分割等内容。读完本书，你将能够开发和训练自己的深度学习模型，并用它们解决计算机视觉难题。
