这可能是当今最全面、最新的深度学习概述之一。
爆火的深度学习领域，最近又有了热门学习资料。
近日，麻省理工出版社的新书《Understanding Deep Learning》（深入理解深度学习）迎来了中文版。
这本书一共分为 21 个章节，涵盖了深度学习领域的许多关键概念，包括基本构建、Transformer 架构、图神经网络 GNN、强化学习 RL、扩散模型等等。对于不论是初学者，还是已有工作经验的开发者来说都有极高的价值。
GitHub 链接：https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN
书籍原链接：https://udlbook.github.io/udlbook/
目前，该书的英文电子版下载量已达到 34.4 万。
该书的实体版本在去年 12 月正式发布，全书共 541 页，不过它的电子版一直在继续更新。目前在网站上，作者还提供了 68 个 Python 笔记本练习，可以帮助读者通过编程实践加深理解。
本书希望以准确易懂的方式，向人们介绍深度学习的基础思想，旨在帮助刚入门的读者理解深度学习背后的原理。对于想要深入理解本书内容的读者来说，只需要本科水平的数学知识就能读懂。
具体来说，该书在前面的部分介绍了深度学习模型，并讨论了如何训练、评估这些模型，如何提高它们的性能的方法。在接下来的部分，作者会带领我们考察专门用于图像、文本和图数据的架构。后续的章节探讨了生成模型和强化学习。倒数第二章探讨了这些以及其他尚未完全理解的方面。最后一章讨论了 AI 伦理。
目录
第一章 - Introduction 介绍
第二章 - Supervised learning 监督学习
第三章 - Shallow neural networks 浅层神经网络
第四章 - Deep neural networks 深度神经网络
第五章 - Loss functions 损失函数
第六章 - Fitting models 训练模型
第七章 - Gradients and initialization 梯度和初始化
第八章 - Measuring performance 性能评估
第九章 - Regularization 正则化
第十章 - Convolutional networks 卷积网络
第十一章 - Residual networks 残差网络
第十二章 - Transformers
第十三章 - Graph neural networks 图神经网络
第十四章 - Unsupervised learning 无监督学习
第十五章 - Generative adversarial networks 生成对抗网络
第十六章 - Normalizing flows 标准化流
第十七章 - Variational autoencoders 变分自编码器
第十八章 - Diffusion models 扩散模型
第十九章 - Deep reinforcement learning 深度强化学习
第二十章 - Why does deep learning work? 为什么深度学习有效？
第二十一章 - Deep learning and ethics 深度学习与伦理
作者介绍
《深入理解深度学习》的作者是英国巴斯大学（University of Bath）计算机科学教授 Simon J.D. Prince，他专注于研究计算机视觉和计算机图形学。
领英资料显示，Simon J.D. Prince 十几年来一直在研究机构从事计算机科学和 AI 研究工作，例如曾在软件开发公司 Anthropics Technology 担任 7 年首席科学家。2022 年，他加入巴斯大学任名誉教授。
Simon J.D. Prince 已在顶级会议（CVPR、ICCV、SIGGRAPH 等）上发表超过 50 篇论文。他还是《计算机视觉：模型、学习和推理》的作者。
参考链接：
https://x.com/tuturetom/status/1814689613304508777
