人工智能的基础书籍有什么推荐？小白一枚，谢谢？

１、动手学深度学习

作者：阿斯顿·张（Aston Zhang） 李沐（Mu Li）[美] 扎卡里·C. 立顿（Zachary C. Lipton）[德] 亚历山大·J. 斯莫拉（Alexander J. Smola）

人工智能机器学习深度学习领域重磅教程图书美亚科学家作品手学深度学习的全新模式，原理与实战紧密结合目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、交互式的深度学习的学习体验。

２、深度学习

作者：【美】Ian Goodfellow（伊恩·古德费洛）, 【加】Yoshua Bengio（约书亚·本吉奥）, 【加】Aaron Courville（亚伦·库维尔）

译者：赵申剑, 黎彧君, 李凯, 符天凡

AI圣经，deeplearning中文版，2018年图灵奖获奖者作品，业内人称“花书”人工智能机器学习深度学习领域奠基性经典畅销书长期位居美国ya马逊AI和机器学习类图书榜首！所有数据科学家和机器学习从业者的bi读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推jian！本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

３、人工智能（第2版）

[美] 史蒂芬·卢奇（Stephen Lucci），丹尼·科佩克（Danny Kopec） 著

人工智能百科全书易于上手的人工智能自学指南涵盖机器学习 深度学习 自然语言处理 神经网络 计算机博弈等各种知识 图文详细 讲解细致 配备丰富的教学资源和学习素材美国经典教材，在美亚上，被评价为自Russell & Norvig的《人工智能：一种现代方法》之后更好的教材，更加适合本科生使用。本书是作者结合多年教学经验、精心撰写的一本人工智能教科书，堪称“人工智能的百科全书”。全书涵盖了人工智能简史、搜索方法、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示、产生式系统、专家系统、机器学习和神经网络、遗传算法、自然语言处理、自动规划、机器人技术、高级计算机博弈、人工智能的历史和未来等主题。

本书提供了丰富的教学配套资源，适合作为高等院校人工智能相关专业的教材，也适合对人工智能相关领域感兴趣的读者阅读和参考。

４、Python 神经网络编程

人工智能深度学习机器学习领域又一重磅力作自己动手用Python编写神经网络美亚排名前茅荣获众多好评 全彩印刷 图表丰富本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。本书的目标是让尽可能多的普通读者理解神经网络。读者将学习使用Python开发自己的神经网络，训练它识别手写数字，甚至可以与专业的神经网络相媲美。

５、PyTorch深度学习

作者：[印度]毗湿奴•布拉马尼亚(Vishnu Subramanian)

译者：王海玲, 刘江峰

使用PyTorch开发神经网络的实用指南深度学习框架PyTorch入门教程，涵盖机器学习、神经网络、计算机视觉应用等知识，提供本书彩图和源代码下载本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。

６、贝叶斯方法 概率编程与贝叶斯推断

[加] Cameron Davidson-Pilon（卡梅隆·戴维森-皮隆） 著，辛愿，钟黎，欧阳婷 译

机器学习 人工智能 数据分析从业者的技能基础国际杰出机器学习专家余凯博士 腾讯专家研究员岳亚丁博士推荐下一个十年，掌握贝叶斯方——就像今天掌握C、C++、Python一样重要本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而让读者可以动手解决一个个的具体问题。通过对本书的学习，读者可以对贝叶斯思维、概率编程有较为深入的了解，为将来从事机器学习、数据分析相关的工作打下基础。本书适用于机器学习、贝叶斯推断、概率编程等相关领域的从业者和爱好者，也适合普通开发人员了解贝叶斯统计而使用。