1024

1024是程序员的节日，程序员就像是一个个1024，以最低调、踏实、核心的功能模块搭建起整个科技世界。随着映入程序员眼帘的第一行代码“Hello, World”,也请对自己说一声“Hello，Me”，对自己说：你好，我自己，这一年辛苦了。

图灵君在这个程序员的特别日子给大家谋福利了，我们特意为各位学习或从事人工智能的小伙伴整理了人工智能书单，希望可以帮助到各位。而且图灵君为大家争取到了打折优惠，在下方购物车购买就可以享受哦，心动的小伙伴赶快行动吧，错过这波大促就很可惜了！

人工智能书单

1024

  图神经网络导论

  图解机器学习算法

机器学习算法竞赛实战

  用Python动手学机器学习

  用Python动手学强化学习

  机器学习实战

  图解人工智能

  Python深度学习

  深度学习入门：基于Python的理论与实现

  Python机器学习基础教程

1.《图神经网络导论》

作者：刘知远，周界

译者：李泺秋

图书特色

• 前沿：图神经网络（GNN）已风靡深度学习领域

• 全面：综述流行的 GNN 框架以及应用场景

• 新增：在英文版的基础上增补更多内容

• 力荐：多位 AI 先锋学者联袂推荐

• 精美：采用高档纯质纸，全彩印刷，适合珍藏

本书内容

图神经网络（GNN）是基于深度学习的图数据处理方法，因其卓越的性能而受到广泛关注。本书全面介绍了 GNN 的基本概念、具体模型和实际应用。书中首先概述数学基础和神经网络以及图神经网络的基本概念，接着介绍不同种类的 GNN，包括卷积图神经网络、循环图神经网络、图注意力网络、图残差网络，以及几个通用框架。此外，本书还介绍了 GNN 在结构化场景、非结构化场景和其他场景中的应用。读完本书，你将对 GNN 的最新成果和发展方向有较为透彻的认识。

2.《图解机器学习算法》

作者：[日]秋庭伸也，[日]杉山阿圣，[日]寺田学

译者：郑明智

图书特色

• 全面 网罗有监督学习和无监督学习的 17 种算法，涉及回归、分类、降维、聚类等问题。

• 直观 全彩图解，让原本抽象复杂的算法变得一目了然，方便读者快速了解各算法的特征，学会如何选择恰当的算法。

• 易懂 几乎没有数学公式和统计术语，零基础也可轻松读懂。

• 实现 各算法均用 Python 代码实现，读者可下载配套代码资源，边试边学。

内容简介

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的 17 种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means 算法、混合高斯分布、LLE 和 t-SNE。书中针对各算法均用 Python 代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

3.《

机器学习算法竞赛实战》

作者：王贺，刘鹏，钱乾

图书特色

• 腾讯广告算法大赛两届冠军、Kaggle Grandmaster 倾力打造

• 赛题案例来自 Kaggle、阿里天池、腾讯广告算法大赛

• 按照问题建模、数据探索、特征工程、模型训练、模型融合的步骤讲解竞赛流程

内容简介

本书是算法竞赛领域一本系统介绍竞赛的图书，书中不仅包含竞赛的基本理论知识，还结合多个方向和案例详细阐述了竞赛中的上分思路和技巧。全书分为五部分：第一部分以算法竞赛的通用流程为主，介绍竞赛中各个部分的核心内容和具体工作；第二部分介绍了用户画像相关的问题；第三部分以时间序列预测问题为主，先讲述这类问题的常见解题思路和技巧，然后分析天池平台的全球城市计算 AI 挑战赛和Kaggle 平台的Corporación Favorita Grocery Sales Forecasting；第四部分主要介绍计算广告的核心技术和业务，包括广告召回、广告排序和广告竞价，其中两个实战案例是 2018 腾讯广告算法大赛——相似人群拓展和 Kaggle 平台的TalkingData AdTracking Fraud Detection Challenge；第五部分基于自然语言处理相关的内容进行讲解，其中实战案例是 Kaggle 平台上的经典竞赛 Quora Question Pairs。本书适合从事机器学习、数据挖掘和人工智能相关算法岗位的人阅读。

4.《用Python动手学机器学习》

作者：[日]伊藤真

译者：郑明智，司磊

图书特色

• 341 个公式：推导过程全公开

• 175 段代码：边试边学效率高

• 167 张插图：以图配文好理解

• 支持 Jupyter Notebook

• 配套源码 & 资源可下载

内容简介

《用Python动手学机器学习》是面向机器学习新手的入门书，从学习环境的搭建开始，图文并茂地介绍了学习机器学习所需的 Python 知识和数学知识，并在此基础上结合数学式、示例程序、插图等，抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。

本书既有图形、代码，又有详细的数学式推导过程，大大降低了机器学习的学习门槛，即使没有学过 Python、数学基础不太好，也可以看懂。

5.《

用Python动手学强化学习》

作者：[日]久保隆宏

译者：梁垿，程引

本书特色

• 系统全面 涵盖从基本概念到前沿应用的各种知识，系统整理强化学习的研究体系。

• 实践导向 从实用性出发设计示例代码，并介绍强化学习的弱点及克服方法，以使读者能够将强化学习应用到工作中。

• 有趣有料 没有枯燥的公式推导，借助 132 张全彩图、大量示例和可以直接运行的代码，将强化学习问题化繁为简，即使是初学者也可轻松读懂。

内容简介

强化学习是机器学习的重要分支之一。本书结合实际可运行的 Python 代码，通过简明的文字、丰富的插图和示例，通俗易懂地介绍了从基础概念到前沿应用等方方面面的内容，包括根据环境和经验制订计划的学习方法、强化学习与神经网络的组合，以及强化学习的弱点和克服方法。读者通过下载书中代码并亲自动手运行，可以快速入门强化学习并进行实践。

6.《机器学习实战》

作者：[美]Peter Harrington

译者：李锐，李鹏，曲亚东，王斌

本书特色

• 最畅销机器学习图书

• 介绍并实现机器学习的主流算法

• 面向日常任务的高效实战内容

内容简介

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。

7.《图解人工智能》 

作者：[日]多田智史

译者：张弥

图书特色

• 内容全面：俯瞰全领域，网罗人工智能开发基础理论和技术

• 图文并茂：334 张图示帮助理解，以图配文，知识点清晰直观

• 专业实用：详略得当，辅以公式和代码，为深入研究打基础

• 知识点涵盖：机器学习，深度学习，强化学习，图像和语音的模式识别，自然语言处理，分布式计算

内容简介

近年，人工智能热潮席卷而来。本书以图解的方式网罗了人工智能开发必备的基础知识，内容涉及机器学习、深度学习、强化学习、图像和语音的模式识别、自然语言处理、分布式计算等热门技术。全书以图配文，深入浅出，是一本兼顾理论和技术的人工智能入门教材。旨在帮助读者建立对人工智能技术的整体印象，为今后深入探索该领域打下基础。另外，书中设有专栏和“小贴士”，介绍了相关术语的背景知识，可帮助读者扩充知识面，进一步理解相关技术。

8. 《Python深度学习》

作者：[美] 弗朗索瓦•肖莱（François Chollet）

译者：张亮（hysic）

图书特色

• Keras 之父、Google 人工智能研究员 François Chollet 执笔，深度学习领域力作

• 通俗易懂，帮助读者建立关于机器学习和深度学习核心思想的直觉

内容简介

本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，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。书中包含 30 多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。

9.《深度学习入门：基于Python的理论与实现》

作者：斋藤康毅

译者：陆宇杰

本书特色

• 日本深度学习入门经典畅销书，原版上市不足 2 年印刷已达 100 000 册。长期位列日亚“人工智能”类图书榜首，超多五星好评。

• 使用 Python 3，尽量不依赖外部库或工具，从零创建一个深度学习模型。

• 示例代码清晰，源代码可下载，需要的运行环境非常简单。读者可以一边读书一边执行程序，简单易上手。

• 使用平实的语言，结合直观的插图和具体的例子，将深度学习的原理掰开揉碎讲解，简明易懂。

本书简介

本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用 Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

10. 《Python机器学习基础教程》

作者：[德] Andreas C. Müller [美] Sarah Guido

译者：张亮（hysic）

本书特色

• 机器学习所处理的数据的表示方法，包括重点关注数据的哪些方面

• 模型评估和调参的高级方法

• 处理文本数据的方法，包括文本特有的处理方法

• 进一步提高机器学习和数据科学技能的建议

本书简介

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。