# 自學深度學習書單（更新中）

## 1. 精通 Python：運用簡單的套件進行現代運算


**評分：4.0 / 5.0**

學 python 的人都應該聽過這本書，主要介紹一些 python 語言特性及資料型態，每章後面有習題可以練習，內容淺顯易懂適合剛入門的新手，算是初學 python 的聖經。目前有出第二版。

<br>

## 2. Python 資料科學學習手冊


**評分：3.5 / 5.0**

主要分為三個部分：

1. numpy、pandas 介紹：作為寫 python 的都必定會用到的兩個套件，這本書算是很有系統性的介紹。缺點是沒再版，有些方法已棄用。

2. 資料視覺化：主要用 matplotlib 和 seaborn 視覺化，前半部介紹折線圖、直方圖、subplot 等蠻實用的語法，後半部的 3D 圖視覺化則偏向時間多的時候拿來炫技用，很漂亮但不直覺。

3. 機器學習：跳過沒看，本書的機器學習省略理論及數學部分，只介紹一些簡單的概念及程式語法，要深度了解機器學習有更好的選擇。

這本書的重點在於熟悉 numpy、pandas 的用法，並學習 matplotlib 將資料加以視覺化，單就這幾個章節而言，本書介紹得很詳細且值得推薦。

<br>

## 3. 初探深度學習 使用 Tensorflow


**評分：2.0 / 5.0**

本書非常不適合新手閱讀，雖然書名叫初探深度學習，但作者預設你已經有一些基礎概念，會省略很多細節，導致範例中常出現沒介紹過的語法。此外書中的圖示及解釋也不清楚，作者常會放一張圖加一段簡述要讀者自行通靈。

<br>

## 4. Deep Learning：用 Python 進行深度學習的基礎理論實作


**評分：5.0 / 5.0**

如果精通 Python 是 python 初學者的聖經，那這本書就是深度學習初學者的寶典。

這本書主要是用 numpy 手刻深度學習的各種網路層，包括 loss function、activation function、全連接層、卷積層等等，並鉅細靡遺解釋這些背後的原理，如梯度、反向傳播，說明做模型有關的技巧及注意事項，如優化器選用、過擬合、參數初始值等等。

有些人可能會覺得這個跟他想像中的深度學習不太一樣，因為裡面沒有任何 tensorflow、keras 的成分，但裡面的基礎知識及底層實作是其他書所缺乏的，同時也是目前自學者、職訓局出來的人欠缺的。

<br>

## 5. Deep Learning 2：用 Python 進行自然語言處理的基礎理論實作


**評分：4.5 / 5.0**

跟前一本的作者是同一個人，延續第一本做法解釋自然語言處理的原理，從早期的 word2vec、Embedding，到現主流的 RNN、Attention 都有用 numpy 程式碼實作，並用清楚的圖例解釋背後原理，是一本很好的自然語言處理相關書籍。唯一的缺點是重要的 Transformer 只有簡單帶過，沒有詳細的介紹，這部分可以參考：[LeeMong－淺談神經機器翻譯 & 用 Transformer 與 TensorFlow 2 英翻中](https://leemeng.tw/neural-machine-translation-with-transformer-and-tensorflow2.html)

<br>

## 6. 深度學習必讀：Keras 大神帶你用 Python 實作


**評分：4.5 / 5.0**

充滿實作的一本書，從簡單機器學習分類、迴歸預測，到深度學習 NLP、RNN、CNN、GAN 等等循序漸進建構模型，並詳細解釋每行程式碼的意思，個人認為有些太詳細以至於變得有點囉嗦，此外本書省略的大部分的理論及數學，因此不建議當作第一本深度學習入門的書，適合讀完 Deep Learning 1、2 後再來實戰。

<br>

## 7. 精通機器學習：使用 Scikit-Learn, Keras 與 Tensorflow（第二版）


**評分：4.5 / 5.0**

結合理論、技術、實戰於一身的好書，內容扎實是其他書無法比擬的，每章後也會有習題提供練習。其主要分為兩個部分：

1. 機器學習：詳細介紹每一個機器學習演算法背後數學原理、理論基礎，比較各演算法間的優缺點並實際用 sklearn 帶你做一遍，非常適合剛接觸機器學習的人。（我讀完後才發現原來我以前機器學習的觀念都是垃圾）

2. 深度學習：主要的重點在於對過去過時的技術提出修正，並使用 Tensorflow 2 及 Keras 客製化模型、預先處理資料，對初學者稍嫌困難，建議具備一點深度學習知識再來讀。

缺點是中譯本語句稍微不通順，不過大致不影響閱讀理解。

<br>

## 8. 深度學習


**評分：? / 5.0**

就是封面上花花草草的那本，網路上很多人都推這本書，但書中包含大量數學公式讓我讀起來很痛苦，目前正在慢慢啃。

<更一> 最困難的不是大量數學公式，而是中譯本直接英翻中沒有經過潤飾，一定程度影響語意理解。如果英文能力允許，建議讀英文版。

<br>

## 9. 王者歸來系列書籍


**評分：0.5 / 5.0**

非常不推薦，博客來這麼多人五星好評感覺是洗出來的，會說這本書很好的人，只能說你說讀得不夠多。

全彩列印，排版花俏，程式碼排版間距讓字擠在一起看得很痛苦，內容相對於以上書籍非常雜亂、無系統性。個人認為不適合用來閱讀，比較像是用於查找的工具書，但工具書又有更好的選擇。（P.S. 紙質是那種百貨公司周年慶的塑膠感紙，質感很差）

## 10. 生成深度學習


## 11. 流暢的 Python


## 12. 高效能 Python 程式設計 第二版


## 13. 自然語言處理最佳實務：全面建構真正的 NLP 系統


**評分：2.5 / 5.0**

內文介紹很多英文 NLP 實際執行時需要注意的細節，程式碼的含量偏低，就算有也只是一些虛擬碼或重點的程式碼，因此不能期待本書將所有技術都實作出來。

本書有一個缺點，作者會把可能會遇到的問題丟出來，但卻只給一些開放性回答或根本沒有回答，不確定是作者不寫還是目前實務上本來就沒有標準答案，舉例來說文中提到選擇 NLP 程式庫取決於語言處理量，但卻沒提哪種程式庫適合哪種類型的資料量。

<更一> 本書偏向運用現有的工具、模型、套件來執行 NLP 任務，不會從頭手刻一個完整的模型。
<更二> 涵蓋範圍很廣，但理論概念深度不如 "精通機器學習"，程式碼解釋不如 "Keras 大神"，食之無味棄之可惜。

---

如果是完全沒基礎的人想要鑽研這方面的知識，建議的閱讀順序為：

1. 精通 Python：運用簡單的套件進行現代運算
2. Python 資料科學學習手冊
3. Deep Learning：用 Python 進行深度學習的基礎理論實作
4. Deep Learning 2：用 Python 進行自然語言處理的基礎理論實作
5. 深度學習必讀：Keras 大神帶你用 Python 實作
6. 精通機器學習：使用 Scikit-Learn, Keras 與 Tensorflow（第二版）

這些書一定會有一部分是互相重疊的，即便如此我仍建議各位將這些章節快速看過一遍當作複習。此外每本書也都有介紹到一些別人沒有講到的技術、撇步，讀完這些書對初學者一定獲益良多。

此外中譯本翻譯後多少都會影響原本作者想表達的意思，若語言能力允許，原文版仍是首選。