深度学习、生成对抗、Pytorch优秀教材推荐

推荐一批2019年在最新上架或即将上架的深度学习、生成对抗、Pytorch优秀教材推荐，绝对不容错过。

《GANs in Action》

Jakub Langr and Vladimir Bok

本书简介：

《GANs in Action》:生成对抗网络式的深度学习教会你如何建立和训练自己的生成对抗网络。首先，你将了解生成对抗网络以及GANs是如何工作，以及它们潜在用途的概述。然后，你将开始构建自己简单的对抗系统，同时探索GAN网络的基础结构:生成器和判别网络。

电子版本地址：https://livebook.manning.com/#!/book/gans-in-action/

随书代码地址：https://github.com/GANs-in-Action/gans-in-action

《生成深度学习：让机器学习绘画、写作、作曲、打游戏》

David Foster

本书简介：

生成模型是人工智能领域最热门的话题之一。该领域的最新进展表明，通过理解机器的行为如何影响环境，教机器在人类活动中表现出色是可能的，例如绘画、作曲和完成任务。

有了这本实用的书，机器学习工程师和数据科学家将学习如何重新创建一些最著名的生成式深度学习模型的例子，如变分自动编码器和生成式对抗网络(GANs)。你还将学习如何将这些技术应用于你自己的数据集。

应用数据科学的创始人之一大卫·福斯特展示了每种技术的内部工作原理，从深度学习的基础开始，然后发展到该领域最前沿的算法。通过技巧和诀窍，你将学会如何让你的模型的学习变得更有效率，变得更有创造力。

主要讲解生成式建模的基本概述

了解如何利用Keras和TensorFlow库进行深度学习

了解可变自动编码器(VAEs)是如何工作的

获取生成对抗网络(GANs)的实例

了解如何构建学习如何绘画、写作和创作的生成模型

在强化学习场景中应用生成模型来完成任务。

链接：https://www.amazon.com/Generative-Deep-Learning-Teaching-Machines/dp/1492041947

《PyTorch深度学习初学者指南——如何创建和部署深度学习应用》

Ian Pointer

本书简介：

深度学习有可能改变计算机世界的一切。在短短的几年里，它已经超越了传统的计算机视觉技术，并且开始在自然语言处理上做同样的事情。谷歌正在将深度学习整合到其运营的各个方面，包括在其数据中心安排工作，甚至取代一些传统的数据结构。但是仍然缺乏有能力将深度学习引入他们领域的开发人员，并且许多关于这个主题的介绍都被数学概念压得喘不过气来。这本书将提供一个入门指南，让开发人员开始使用这些强大的新技术来处理他们必须掌握的几乎任何数据。

链接：https://www.amazon.com/Beginners-Guide-Using-PyTorch-Learning/dp/1492045357/

《实用时序分析——统计预测与机器学习》

Aileen Nielsen

本书简介：

现代时间序列数据最常见的数据工程和分析挑战。这本书提供了一个容易理解的关于时间序列数据的全面介绍，它将帮助软件工程师、数据科学家和研究人员在他们感兴趣的领域高效进行时间相关的分析。

作者Aileen Nielsen还提供了实际场景中的实用指南和用例，从医疗保健和金融到科学测量和社会科学预测。这本书提供了一个比现有的关于这个主题的书更多样和更先进的时间序列方法。

链接：https://www.amazon.com/Practical-Time-Analysis-Prediction-Statistics/dp/1492041653/

《神经网络与深度学习教科书》

Charu C. Aggarwal

本书简介：

这本书涵盖了深度学习的传统和现代的所有技术。主要关注的是深度学习的理论和算法。神经网络的理论和算法对于理解重要的概念特别重要，因此人们可以理解神经架构在不同应用中的重要设计概念。神经网络为什么工作？什么时候它们比现成的机器学习模式更有效？深度什么时候有用？为什么训练神经网络如此困难？陷阱是什么？这本书也丰富了对不同应用的讨论，以便让实践者了解神经架构是如何为不同类型的问题设计的。涵盖了与许多不同领域相关的应用，如推荐系统、机器翻译、图像字幕、图像分类、基于强化学习的游戏和文本分析。

链接：https://www.amazon.com/Neural-Networks-Deep-Learning-Textbook/dp/3319944622/

《加强深度神经网络—降低AI对对抗欺骗的敏感性》

Katy Warr

本书简介：

随着深度神经网络在现实应用中变得越来越普遍，“愚弄”它们的可能性呈现出一种新的攻击方式。在这本书里，作者凯蒂·瓦尔研究了DNN如何以不同于人类的方式解释音频和图像的安全含义。

你将了解攻击者利用DNN算法缺陷的动机，以及如何评估对采用神经网络技术的系统的威胁。通过实际的代码例子，这本书向你展示了DNNs是如何被愚弄的，并展示了它们对抗欺骗的方法。

了解DNNs如何“思考”的基本原则，以及为什么这不同于我们人类对世界的理解

理解愚弄DNNS的敌对动机以及对现实世界系统构成的威胁

探索使包含DNN的软件系统不容易被欺骗的方法

展望人工神经网络的未来，了解这些算法是如何进化得更加健壮的

链接：https://www.amazon.com/Strengthening-Deep-Neural-Networks-Susceptible/dp/1492044954/