问题导读： 1.想要学习人工智能该怎么开始？
2.为什么选书籍而不是视频？
3.为什么选择deep learning这本书而不是其他书籍？
序
人工智能几乎被媒体以及当代新闻炒得如日中天，虽然发展史不长，但你可以从如今——2019年的生活中处处听到关于它的消息，哪怕你不是工程师，哪怕你不是数据科学家，你也能从网络或者日常中接触到它。自它火热以后，各行各业的人们都对其趋之若鹜，并想来分一碗热羹。很显然，它是未来，它也必然是未来。不管你忽略也好，拒绝也罢，你无法阻止人类对科技进步的追求。
而我，一个人工智能界的小白，从今天开始了深度学习之路。但其实我对它的期冀并不是从今天才开始，早在两年前，我就热衷于寻找学习它的方式，寻找最优秀的研究高校、寻找这方面的专业人士，我也在私底下写了一本关于人工智能的小说，它的场景类似于今年上映的一部电影《阿丽塔》，但由于一些现实原因，我都没有继续下去。 机缘巧合，受about云的影响，我又要重拾这条路了，而且终于能自己揭开它的一幕幕了，我感到十分激动且充满期待，因为未来的路，是未知的，也是我自己可以创造的。我也希望，通过我所学习的，以及我的笔记，能够让看到我的文章的人受益，并且能和我共同成长和交流，在深度学习这条路上愈走愈深，通过我简洁的语言能够让同为小白的朋友得到启发。
选择
那么，如何开始呢？如何保证我学到的是有用并且能有所获的知识呢？如何保证它的权威性而又不会是在浪费时间呢？
我做了很多调查，最终选定《Deep Learning》作为目标书物，也就是这本：
原版为英文，我在github上找到了中文翻译。当然，我自己也可以阅读英文原版，但为了更普及，我需要找到翻译，以便让大家也能阅读。
这里是中文翻译版本地址：https://github.com/exacity/deeplearningbook-chinese
为什么偏偏是这本呢？
首先，在各大网站的有关人工智能书籍推荐排行榜上，这本deep learning总是榜上有名，出现的频率是最高的，你可以从很多地方找到它的身影——包括朋友的口中。我之前有问过两位业内大牛以及名校出身在加拿大工作了数年的机器学习工程师，他们大部分除了推荐视频以外，竟然异口同声地说这本《Deep learning》还不错。与此同时，我还学习到Coursera这个网站不错，也是几位跨国工作者都安利的网站，适合小白从0开始学习，如果你更喜欢视频学习的学习方式，也可以去这个网站学习你想学的课程。
其次，我们选书的目的是为了能更系统化、结构化地学习，并且获取较全面的知识，文档的可视化提供了查阅的便利。虽然说是小白，但是我需要扎实的干货，而不是单纯的科普性的书籍，纯粹的科普对我没有意义，因为平时也基本上能够从各类公众号和媒体零散地获取到相关的讯息。所以比较泛化的科普性书籍已经被我排除。如果有想了解的朋友也可以去查阅，大致是这些：
这篇安利文很热门，当你搜索“入门人工智能该读哪些书”时，就可以找到，所以，我也不知道最初作者是谁，只能放我从哪里参考到的链接：
http://www.sohu.com/a/221616304_468740
可以看到，在这里也被推荐了深度学习这本书：
至于为什么不是后面的这几本，《深度学习精要（基于R语言）》——我目前的基础是JAVA语言和C语言，并不了解R语言，虽然R语言在人工智能领域的确重要，但是对我而言实在是有些高深莫测。 《TensorFlow机器学习项目实战》以及《TensorFlow技术解析与实战》，显然，它们都是实战类书籍，对于我暂时还不懂机器学习以及深度学习的小白而言有些不合适，学习的过程首先是理论，然后再是实践。当然，我相信这两本也是不错的书籍，因为后面那本曾经有一位京东的数据专家推荐过我看。
关于上面这张图片，我需要解释一下，这也是知乎的一个高赞回答，让我们来一步步地使用排除法。
首先，《Pattern Classification》这本书，根据豆瓣，是出版于2000年的，距今已有接近20年了，我个人认为，在人工智能这个领域，技术发展的速度和普通的技术相比要快很多，所以学习的步伐也需要紧跟时代。当然，如果想回味经典，这本书必然不差。
其次，《Pattern Recognition and Machine Learning》也就是人们常说的PRML模式识别与机器学习，英文原版在豆瓣的评分非常高，有9.5分（满分10分），可见一斑，很多人说是机器学习领域必读的一本书。但是为什么这么好的一本书我却没有选择呢？因为不止一个人说这本书并不适合初学者学习，有位豆友是这么评价的：
“但这本书太过于 Bayesian, 作者对任何算法都试图从概率和 Bayesian 的角度来进行解释。这本书不适合作为第一本教材，因为其为了将书中内容串联起来，忽视了这些内容的本来面貌，我印象比较深刻的地方有：第1.2.5节从概率模型的角度来解释最小二乘法、第 2.5.2节 中近邻方法先介绍其用于密度估计，然后再将密度估计拓展到用于分类。这很容易让初学者以为所有的机器学习算法都是概率模型” 豆瓣读书guixj
这是热评：
李航老师的《统计机器学习》也是一本很优秀的书，在其他的排行榜上也有这本书的身影。实际上，这里我认为是知乎作者笔误，李航老师的应当是《统计学习方法》，但是，同上一本一样，同样不是很适合初学者，所以我只好暂时先排除。
以下为热评：
另外，在其他排行榜上提及的《自然语言处理综论》以及《人工智能:一种现代方法》也都是比较好的书，但是由于我的研究方向并不是自然语言，所以暂时先搁置，而后面的那本，根据布衣哥的说法，更适用于领导层。因为它提及的概念性知识比较多，不过涉及内容很全面，以后需要查阅以及想了解某个知识点的适合可以看看。
以上基本上我这次深度学习之路选择这本《deep learning》的原因，希望今后和大家一起学习，共同进步。
非商业转载请注明出处，商业转载请联系作者。
作者：Sirky林
2019年9月5日
联系邮箱：sirky@qq.com
