|
以下是我搜集的2017年最新的有关人工智能的书籍，分享给你： 1.《TensorFlow 深度学习》 下载链接：https://pan.baidu.com/s/1gfGFJoB?errno=0&errmsg=Auth%20Login%20Sucess&&bduss=&ssnerror=0 《TensorFlow 深度学习》（TensorFlow for Deep Learning）一书发布前两章，这并非正式版本，而是早期版本；书中内容还没有编辑，因而可能有些粗糙。该书的作者是 Bharath Ramsundar 和 Reza Bosagh Zadeh，从线性回归到强化学习，该书介绍了如何利用 TensorFlow 进行深度学习研究，适合对两者感兴趣且有实操需求的读者。 2.《Deep Learning》 下载链接：https://github.com/exacity/deeplearningbook-chinese 《Deep Learning》这本书是由学界领军人物 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合力打造，特斯拉的 CEO 马斯克曾经评价道：「《Deep Learning》由领域内三位专家合著，是该领域内唯一的综合性书籍。」《Deep Learning》中文版（印前版）正式发布。这本书适合于各类读者，尤其是学习机器学习的本科或研究生、深度学习和人工智能的研究者、或没有机器学习与统计背景的软件工程师。 3.《计算机科学的数学》 下载链接：https://courses.csail./6.042/spring17/mcs.pdf 谷歌与MIT联袂巨著：《计算机科学的数学》开放下载。该书用了千页的篇幅讲述了五大板块的内容。其中第一篇就由证明到数据型讲述了数学分析的基本内容，该篇幅为计算机科学的开发者们提供了宝贵的推理和逻辑演绎能力。随后在第二篇「结构」中，该书以数论开始讲述，首先就重点介绍了数论的主题整数集的性能，并由此衍生到计算机科学最基础的结构图论（Graphs）或者说是网络（networks）。在随后的两章节中，该书又向我们介绍了计算理论和概率论，这一部分在我们构建机器学习模型时十分重要和有效。 在该书中，作者在第四章着重介绍了对机器学习算法有重要作用的概率论，其中从概率论那一部分的目录和简介可以看出来作者主要讲述了基本的概率定义和数字特征与假设检验基础，随后由这些基本概率论的定义引出了统计学模型，包括中心极限定理，切比雪夫不等式和马尔可夫理论等重要内容。而这些统计学概念和模型却又正好是机器学习的方法基础。 4.《人工智能与游戏》 下载链接：http:///book.pdf 由马耳他大学副教授、情感计算专家 Georgios N. Yannakakis 和纽约大学副教授、人工智能与游戏研究者 Julian Togelius 合著的《人工智能与游戏》一书发布了其第一版（草稿）。《人工智能与游戏》是一本综合性教科书，旨在介绍人工智能在游戏领域的应用和使用，以及人工智能如何使游戏变得更好。我们希望教育从业者和大学生会喜欢这本书，或者被用作游戏人工智能专业和从业者的学习教材。全书分为三个部分，共七章，分别从游戏人工智能的背景、游戏中的人工智能使用方法以及未来发展三个方面，为读者描绘了一幅游戏人工智能的全景图。 |
|
|
