推荐这本小白看的《深度学习：从基础到实践（上下册）》。
深度学习：从基础到实践（上下册）
深入浅出的讲述了深度学习的基本概念与理论知识，不涉及复杂的数学内容，零基础小白也能轻松掌握！
本书从基本概念和理论入手，通过近千张图和简单的例子由浅入深地讲解深度学习的相关知识，且不涉及复杂的数学内容。
本书分为上下两册。上册着重介绍深度学习的基础知识，旨在帮助读者建立扎实的知识储备，主要介绍随机性与基础统计学、训练与测试、过拟合与欠拟合、神经元、学习与推理、数据准备、分类器、集成算法、前馈网络、激活函数、反向传播等内容。下册介绍机器学习的 scikit-learn 库和深度学习的 Keras 库（这两种库均基于 Python 语言），以及卷积神经网络、循环神经网络、自编码器、强化学习、生成对抗网络等内容，还介绍了一些创造性应用，并给出了一些典型的数据集，以帮助读者更好地了解学习。
本书适合想要了解和使用深度学习的人阅读，也可作为深度学习教学培训领域的入门级参考用书。
本书致力于介绍深度学习的基础知识， 以帮助读者建立扎实的知识储备。随着深度学习实践 的推进，你不仅需要对本书课题的背景有充分了解，还需要充分知悉可能需要查阅的资料。
这不是一本关于编程的书。编程很重要， 但是会不可避免地涉及各个细节， 而这些细节与本 书的主旨并无关联。此外， 编程会让你的思考局限于某一个库或者某种语言。尽管这些细节是构 建最终学习网络体系的必要条件， 但是当你想要专注于某一重要理念时， 这些细节可能会让你分 心。与其就循环和目录以及数据结构泛泛而谈， 倒不如以一种独立的方式讨论某种语言和库相关 的所有知识。只要扎实理解了对这些理念，阅读任何库文件都将变得轻而易举。
本书几乎不涉及数学问题
很多人不喜欢复杂的方程式。如果你也是这样，那么本书非常适合你！
本书几乎不涉及复杂的数学运算。如果你不讨厌乘法， 那么本书简直太适合你了， 因为书中 除了乘法，并无任何复杂的运算。
本书所讨论的许多算法都有丰富的理论依据， 并且是经过仔细分析和研究得出的。如果你正 打算变换一种算法以实现新目的， 或者需要独立编写一个新程序， 就必须了解这一点。不过， 在 实践中， 大多数人会用由专家编写的程序。这些程序是经过高度优化的， 并且可以从免费的开源 库中获取。
我们希望能帮助你理解这些技术的原理， 掌握其正确应用， 并懂得如何解读结果， 但无须深 入了解技术背后的数学结构。
如果你喜欢数学或者想了解理论，那么请阅读每一章的“参考资料”部分给出的相关内容。 大部分资料是简洁且能够激发灵感的， 并且给出了作者在本书中刻意省略的细节。如果你不喜欢 数学，可以略过此部分的内容。
本书分上下两册
本书涵盖的内容非常多，因此我们将其分成了上下两册。其中下册是上册内容的拓展和补充。 本书内容是以循序渐进的模式组织的， 因此建议你先读上册， 再去学习下册的内容。如果你有信 心，也可以直接从下册开始阅读。
小编做了一个思维导图，让您更快捷的了解本书的内容。
深度学习：从基础到实践（上册）内容
深度学习：从基础到实践（下册）内容
在第15章、第23章和第24章中，我们将详细讨论机器学习的scikit-learn库以及深度学习的Keras库。这两种库均基于Python语言。我们结合示例代码进行讲解，以期让你对Python库有深度的了解。即使你不喜欢Python，这些程序也会让你对典型的工作流和程序结构有所了解。这些章节中的代码可以在Python手册中找到，并且可用于基于浏览器的Jupyter编程环境。
本书的其他大部分章节也有配套的可选 Python 手册。这些章节针对书中每个计算机生成的数 字给出代码，而且通常使用其中所涉及的技术来生成代码。由于本书的焦点并非在于 Python 语言 和编程（上述章节除外），因此这些手册仅作参考，不再赘述。
机器学习、深度学习和大数据正在世界范围内产生令人意想不到的、快速而深刻的影响。对人类以及人类文化而言，这是一个既复杂又重要的课题。
读完本书，你可以：
- 设计和构建属于自己的深度学习网络体系；
- 使用上述网络体系来理解或生成数据；
- 针对文本、图像和其他类型的数据进行描述性分类；
- 预测数据序列的下一个值；
- 研究数据结构；
- 处理数据，以实现最高效率；
- 使用你喜欢的任何编程语言和 DL 库；
- 了解新论文和新理念，并将其付诸实践；
- 享受与他人进行深度学习讨论的过程。
本书会采用一种严肃而不失友好的讲解方式， 并通过大量图示来帮助你加深理解。同时， 我 们不会在书中堆砌过多的代码，甚至不会使用任何比乘法更复杂的运算。
如果你觉得还不错，欢迎阅读此书！
