深度学习书籍推荐
按 **入门 → 进阶 → 应用/实战 → 理论** 四个层次整理一些经典推荐：
---
## 📘 入门书籍
- **《深度学习》（Deep Learning, Ian Goodfellow 等）**
→ 公认的入门圣经，系统介绍深度学习基本概念、算法与数学基础。
- **《神经网络与深度学习》（邱锡鹏）**
→ 中文友好，偏教学风格，结合了数学推导与代码实现，适合国内读者。
---
## 📗 进阶书籍
- **《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》 (Aurélien Géron)**
→ 偏实战的教程，代码量多，边学边做，能快速上手。
- **《Deep Learning for Coders with fastai & PyTorch》 (Jeremy Howard, Sylvain Gugger)**
→ 从实践角度切入，用 PyTorch + fastai，代码驱动，适合工程师背景读者。
---
## 📙 应用/实战方向
- **《Dive into Deep Learning》（动手学深度学习，李沐等）**
→ 完全开源教材（支持PyTorch/MXNet），配套 Jupyter Notebook，边看边运行。
- **《Programming PyTorch for Deep Learning》**
→ 聚焦 PyTorch 实战，用于理解如何将理论模型落地。
---
## 📕 理论与数学基础
- **《Pattern Recognition and Machine Learning》（Bishop）**
→ 机器学习理论经典，数学要求稍高。
- **《机器学习》（周志华）**
→ 国内经典教材，涵盖传统ML与部分DL，打好理论功底。
- **《Mathematics for Machine Learning》（Deisenroth 等）**
→ 讲解线性代数、概率论、优化等机器学习所需的数学工具。
---
## 💡 建议学习路径
1. **快速入门**：先看《神经网络与深度学习》或《动手学深度学习》，做一些代码实验。
2. **系统理解**：读《Deep Learning》（Goodfellow），掌握整体框架。
3. **工程实践**：用《Hands-On Machine Learning》或 fastai 的书做项目。
4. **深入原理**：啃《PRML》和数学类书籍，补齐理论短板。