| 智能之门：神经网络与深度学习入门（基于Python的实现） | | 该书内容丰富，以“提出问题-解决方案-原理分析-可视化理解”的方式向读者介绍了深度学习的入门知识，并总结了“9步学习法”，分为基本概念、线性回归、线性分类、非线性回归、非线性分类、模型的推理与应用部深度神经网络、卷积神经网络以及循环神经网络9个步骤，对神经网络和深度学习进行了系统全面的讲解。 |
| 斯坦福CS231n：卷积神经网络之视觉识别 cv | http://cs231n.stanford.edu/open in new window | 斯坦福CS231n是一门深度学习在计算机视觉中的应用课程。在该课程中，学生将学习计算机视觉中的一系列任务，包括图像分类、目标检测、语义分割、图像生成等，并了解深度学习在这些任务中的应用。 |
| 斯坦福cs224n：深度自然语言处理课程 NLP | http://cs231n.stanford.edu/open in new window | 斯坦福CS224n是一门深度学习在自然语言处理中的应用课程。在该课程中，学生将学习自然语言处理中的一系列任务，包括语言建模、命名实体识别、机器翻译、情感分析等，并了解深度学习在这些任务中的应用。 |
| 麻省理工学院 6.S094: 深度学习之自动驾驶 cv | http://introtodeeplearning.com/open in new window | 麻省理工学院 6.S094: 深度学习之自动驾驶课程是一门深度学习在自动驾驶中的应用课程。在该课程中，学生将学习自动驾驶中的一系列任务，包括目标检测、语义分割、行人检测、车道线检测、车辆检测、车辆跟踪、车道线 |
| 机器学习 (西瓜书) | https://www.zhihu.com/search?q=统计学习方法&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra={"sourceType"%3A"answer"%2C"sourceId"%3A1567272827}open in new window | 《机器学习》（西瓜书）是一本由南京大学周志华教授编写的机器学习教材，已经成为机器学习领域的经典教材之一。该书全面介绍了机器学习的基本概念、方法和算法，包括监督学习、无监督学习、半监督学习、强化学习等多个方面，内容涵盖了机器学习的核心知识和最新进展。 |
| Neural Network and Deep Learning (Michael Nielsen) | http://neuralnetworksanddeeplearning.com/open in new window | 《神经网络与深度学习》是一本由Michael Nielsen编写的神经网络和深度学习教材，已经成为神经网络和深度学习领域的经典教材之一。该书全面介绍了神经网络和深度学习的基本概念、方法和算法，包括神经网络、深度学习、卷积神经网络、循环神经网络等多个方面，内容涵盖了神经网络和深度学习的核心知识和最新进展。 |
| 神经网络与深度学习 (邱锡鹏版) | https://nndl.github.io/open in new window | 《神经网络与深度学习》是一本介绍深度学习基础知识的教材，作者邱锡鹏是清华大学计算机系的教授，该书内容涵盖了神经网络、卷积神经网络、循环神经网络等深度学习基础知识。 |
| 深度学习与计算机视觉、算法、框架应用与代码实现 | - | 该书是一本深度学习在计算机视觉中的应用教材，内容包括卷积神经网络、目标检测、人脸识别、图像生成等。该书使用TensorFlow作为主要的深度学习框架，同时提供了丰富的代码实现。 |
| 机器视觉与机器学习：算法原理、框架应用与代码实现 | - | 该书是一本介绍机器视觉和机器学习基础知识的教材，内容包括图像处理、特征提取、分类、目标检测等。该书使用Python和OpenCV作为主要的编程工具，并提供了大量代码实现。 |
| 英文书（Pattern Recoginition and Machine Learning | https://www.springer.com/gp/book/9780387310732open in new window | 《Pattern Recognition and Machine Learning》是一本介绍模式识别和机器学习基础知识的经典教材，作者是著名的计算机科学家Christopher M. Bishop。该书内容涵盖了监督学习、无监督学习、深度学习等方面的知识。 |
| The Elements of Statistical Learning | https://web.stanford.edu/~hastie/Papers/ESLII.pdfopen in new window | 《The Elements of Statistical Learning》是一本介绍统计学习基础知识的教材，作者是著名的统计学家Trevor Hastie、Robert Tibshirani和Jerome Friedman。该书内容涵盖了监督学习、无监督学习、半监督学习等方面的知识。 |
| python核心编程（第二版） | - | 该书是一本介绍Python编程基础知识的教材，内容包括Python语法、数据类型、函数、类、模块等。该书是学习Python编程的入门教材。 |
| python基础教程（第2版） | - | 该书是一本介绍Python编程基础知识的教材，内容包括Python语法、数据类型、函数、类、模块等。该书是学习Python编程的入门教材。 |
| 机器学习实战（图灵出品） | - | 该书是一本介绍机器学习基础知识的实战教材，内容包括数据预处理、分类、回归、聚类等。该书使用Python作为主要编程语言，并提供了大量的代码实现。 |
| 动手学深度学习 | https://zh.d2l.ai/open in new window | 《动手学深度学习》是一本介绍深度学习基础知识的在线教材，作者是MXNet的创始人李沐和他的团队。该教材提供了大量的代码实现，并使用Jupyter Notebook作为主要的编程工具。 |
| python深度学习 | - | 该书是一本介绍深度学习基础知识的教材，内容包括神经网络、卷积神经网络、循环神经网络等。该书使用Python和Keras作为主要的编程工具，并提供了大量的代码实现。 |
| Scikit-Learn与TensorFlow机器学习实用指南 | - | 该书是一本介绍机器学习和深度学习实用知识的教材，内容包括数据预处理、分类、回归、聚类、神经网络等。该书使用Python和Scikit-Learn、TensorFlow作为主要的编程工具，并提供了大量的代码实现。 |
| 美团机器学习实践 | - | 该文章是美团点评的一篇机器学习实践案例，介绍了美团点评推荐系统的架构和实现方法。文章中提到的算法和框架包括GBDT、FM、Wide&Deep等。 |
| 冈萨雷斯《数字图像处理》 | https://imageprocessingplace.com/open in new window | 《数字图像处理》是一本介绍数字图像处理基础知识的经典教材，作者是著名的计算机科学家Rafael C. Gonzalez和Richard E. Woods。该书内容涵盖了图像增强、图像压缩、图像分割、图像识别等方面的知识。 |
| OpenCV 3计算机视觉：Python语言实现（原书第2版） | - | |
| OpenCV 3计算机视觉：Python语言实现（原书第2版） | | |
| Python计算机视觉编程 | - | 该书的主要内容包括Python和OpenCV库的基础知识、图像处理、图像分割、特征提取、目标检测、跟踪和立体视觉等方面。 |
| 学习OpenCV 3（中文版） | - | 该书介绍了OpenCV 3库的基础知识和最新进展，包括图像处理、计算机视觉和机器学习等方面。 |
| 自然语言处理综论（第二版） | - | 介绍了自然语言处理中的基础知识、统计方法和机器学习技术，包括语言模型、词性标注、句法分析、语义分析、文本分类和信息检索等方面。 |
| 统计自然语言处理（第2版） | - | 主要内容包括自然语言处理基础、统计语言模型、词性标注、句法分析、语义分析、文本分类和信息检索等方面。每一章都提供了具体的数学推导和实践案例，帮助读者深入理解和掌握统计自然语言处理的理论和实践技巧 |
| Python自然语言处理(影印版) | - | 介绍了Python在自然语言处理中的应用，包括文本处理、语言模型、词性标注、句法分析、文本分类、信息检索、文本生成等方面。 |
| 语音信号处理 第2版 | - | 全面地介绍了语音信号处理的基础知识和最新进展，包括语音信号的产生、传输、分析、合成和识别等方面。 |
| Kaldi语音识别实战 | - | Kaldi语音识别工具包的使用和开发，包括数据准备、特征提取、声学建模、解码等方面。 |
| 解析深度学习:语音识别实践 | - | 解析深度学习:语音识别实践 |
| 利用Python进行数据分析 | - | 利用Python进行数据分析 |
| Python数据分析与挖掘实战 | - | 主要介绍了Python在数据分析和挖掘中的应用，包括数据处理、数据可视化、统计分析、机器学习、推荐系统等方面。 |
| 集体智慧编程 | - | 该书介绍了多种算法和技术，包括基于内容的推荐系统、协同过滤、聚类、搜索引擎优化、社交网络分析等。 |
| 推荐系统（图灵出品） | - | 详细介绍了推荐系统的各种算法和技术，包括基于邻域的协同过滤算法、基于矩阵分解的协同过滤算法、基于文本相似度的内容推荐算法、基于规则推理的知识推荐算法、基于深度学习的推荐算法等。同时，该书也介绍了推荐系统的应用场景和评估方法，并提供了大量的实践案例和代码示例，帮助读者深入理解和掌握推荐系统的核心技术和实践方法。 |
| 推荐系统实践（图灵出品） | - | 该书以实践为主线，重点介绍了推荐系统的实现和优化方法，包括数据预处理、特征工程、算法选择、模型训练和推荐结果的排序等方面。同时，该书也介绍了推荐系统的应用场景和评估方法，并提供了丰富的实践案例和代码示例，帮助读者深入理解和掌握推荐系统的实践技巧。 |
| 深度学习推荐系统 | - | 介绍了深度学习在推荐系统中的应用和算法，包括基于矩阵分解的深度学习模型、基于序列数据的深度学习模型、基于图数据的深度学习模型等。此外，书中还提供了实现这些模型的代码和实践指南 |
| 知识图谱：方法、实践与应用 | - | 系统地介绍知识图谱涉及的关键技术，如知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、知识问答、图挖掘分析等。 |
