【新智元导读】Ian Goodfellow、Yoshua Bengio 和 Aaron Courville合著的深度学习经典图书《Deep Learning》中文翻译版目前已在网上公开，现可在线查看全文。

　　图书目录

　　第1章 前言第2章 线性代数

　　第3章 概率与信息论

　　第4章 数值计算第5章 机器学习基础第6章 深度前馈网络第7章 深度学习中的正则化第8章 深度模型中的优化第9章 卷积网络第10章 序列建模：循环和递归网络第11章 实践方法论第12章 应用第13章 线性因子模型第14章 自编码器第15章 表示学习第16章 深度学习中的结构化概率模型第17章 蒙特卡罗方法第18章 直面配分函数第19章 近似推断第20章 深度生成模型本书面向的读者

　　这本书对各类读者都有一定用处，但我们主要是为两类受众对象而写的。 其中一类受众对象是学习机器学习的大学生（本科或研究生），包括那些已经开始职业生涯的深度学习和人工智能研究者。 另一类受众对象是没有机器学习或统计背景但希望能快速地掌握这方面知识并在他们的产品或平台中使用深度学习的软件工程师。 深度学习在许多软件领域都已被证明是有用的，包括计算机视觉、语音和音频处理、自然语言处理、机器人技术、生物信息学和化学、电子游戏、搜索引擎、网络广告和金融。

　　为了最好地服务各类读者，我们将本书组织为三个部分。 第一部分介绍基本的数学工具和机器学习的概念。 第二部分介绍最成熟的深度学习算法，这些技术基本上已经得到解决。 第三部分讨论某些具有展望性的想法，它们被广泛地认为是深度学习未来的研究重点。

　　读者可以随意跳过不感兴趣或与自己背景不相关的部分。 熟悉线性代数、概率和基本机器学习概念的读者可以跳过第一部分，例如，atv，当读者只是想实现一个能工作的系统则不需要阅读超出第二部分的内容。 为了帮助读者选择章节，atv，fig?展示了这本书的高层组织结构的流程图。

　　我们假设所有读者都具备计算机科学背景。 也假设读者熟悉编程，并且对计算的性能问题、复杂性理论、入门级微积分和一些图论术语有基本的了解。

　　全文阅读地址：https://exacity.github.io/deeplearningbook-chinese/

　　Github：https://github.com/exacity/deeplearningbook-chinese

　　PDF：

　　3月27日，新智元开源·生态AI技术峰会暨新智元2017创业大赛颁奖盛典隆重召开，包括“BAT”在内的中国主流 AI 公司、600多名行业精英齐聚，共同为2017中国人工智能的发展画上了浓墨重彩的一笔。

　　访问以下链接，回顾大会盛况：

阿里云栖社区：