简介：许多朋友问有关我读过的有关人工智能的书的问题。首席执行官在本文中注明将为您提供详细的答案，以供所有人参考。我希望这对每个人都会有所帮助！让我们一起看看！
人工智能是计算机科学的一个分支。这不是一门学科。图像识别，自然语言处理，机器人技术，语言识别，专家系统等。每个研究都具有挑战性。对人工智能感兴趣，但无法确定特定方向，如何了解人工智能和研究的当前状况？
我推荐4本大学书。对于大多数人来说，阅读并不困难，公式和理论很小，内容很有趣，并且可以阅读内容。信息是新鲜而完整的。它必须具有一定的阅读值。better。书清单不长，只用作流行科学。
1.“超级聪明”
2.“我们的最终发明：人工智能和人类时代的终结”
3.“聪明的年龄”
4.“人工智能：国家人工智能战略行动开始”
看到这个问题，我有些兴奋。让我推荐一个人工智能书清单。
1.松木机器学习
机器学习原理算法和应用教程，简化机器学习的输入手册，深度学习中的最佳销售书籍，完整的彩色打印，在扫描书中扫描QR码可以阅读补充内容，许多知名的专家人工智能和机器学习领域。
2.手 - 学习深度学习
目前，有关引入深度学习的大多数书籍都可以分为两类。引入了一种重点，并强调实践和深度学习工具。本书涵盖了方法和实践。本书不仅从数学角度解释了深度学习的技术和应用还包括运行代码以向读者展示如何解决现实中的问题。
为了为读者提供交互式学习体验，本书不仅提供免费的教学视频和讨论领域，而且还提供了一个运行的jupyter notepad.advantage。这不仅直接与数学公式相对应，还将代码修改为实际代码。，观察结果并及时获得经验，从而为读者带来新的互动深度学习体验。
3.深度学习
本书包括数学和相关概念的背景知识，包括线性代数，概率理论，信息理论，数值优化和机器学习中的相关内容。在同一时间，它还介绍了行业中从业者，从业者中使用的深度学习技术，包括在-Depth反馈网络中，正则化，优化算法，卷积网络，序列建模和实际方法。
它还研究了诸如自然语言处理，语音识别，计算机视觉，在线推荐系统，生物信息和视频游戏等应用程序。最终，本书还提供了一些研究说明。涵盖的理论主题包括线性因子模型，自我编码器，表示形式，结构化概率模型，蒙特卡洛方法，得分函数，近似推断和深度生成模型。
4.人工智能（第二版）
这本书是一本人工智能教科书，结合了多年的教学经验和精心写作，可以称为“人工智能百科全书”。该书涵盖了人工智能，搜索方法，搜索，搜索，搜索，在游戏中，在游戏中，搜索，搜索，搜索，搜索，搜索，搜索，搜索，搜索，搜索，搜索，逻辑，知识表示，生产系统，专家系统，机器学习和神经网络，遗传算法，自然语言处理，自动计划，机器人技术，高级计算机游戏，人工智能历史以及未来的未来。
5. Python神经网络编程
这本书将引导您进行一次有趣但有条理的旅行 - 从一个非常简单的想法开始，并逐渐理解神经网络的工作机制。您不需要中学以外的任何数学知识，这本书还简要介绍了微积分这很容易理解。本书的目标是使许多普通读者了解神经网络。阅读者将学会使用Python来开发自己的神经网络，训练它以识别手写数字，甚至可以与专业的神经网络进行比较。
1.“深度学习”
经典的最畅销书《深度学习》占据了很长一段时间的亚马逊AI和机器学习书籍的基础。
2.“人工智能”
在聪明的革命时期，Li Kaifu解释了AI如何重塑个人，商业和社会的未来地图。
3.“人工智能的简短历史”
全面解释人工智能，神经网络，遗传算法，深度学习，自然语言处理和其他知识的起源，以及对AI历史趋势的深入评论。
4.“人工智能的未来”
揭开人类思维的奥秘，大学的校长，Google的主任和“奇怪的角度”作者的作者Lei Kuzwell的作者，全面分析了“人工智能”原则的颠覆。
5.“人工智能：国家人工智能战略行动开始”
比尔·盖茨（Bill Gates），埃隆·马斯克（Elon Musk），扎克伯格（Zuckerberg），李·扬洪（Li Yanhong），马·霍旺（Ma Huateng），李·凯福（Li Kaifu），雷·朱尼（Lei Jun），刘·金芬（Liu Qingfeng）和其他跨境咖啡对新技术革命感到担忧。
6.“极简主义人工智能：您必须阅读AI一般书籍”
“ AI”全景蓝图的全面介绍：团体智能，神经网络，智能代理，情绪机器，智能计算，智能机器人等
7.“区块链人工智能数字货币：黑色技术使生活变得更好”
《纽约时报》最畅销书遵循未来趋势，通过技术重建了世界，并解密了黑色技术，例如区块链，人工智能和数字货币。
8.“高级人工智能（第三版）”
9.“终极算法：如何重塑世界和人工智能”
比尔·盖茨（Bill Gates）推荐的年度书籍，沃尔特·埃萨尔（Walter Esxar），乔·普吉（Che Pinjue），曹欣胡（Cao Huanhuan）推荐！
10.“人工智能的新时代：50例全球人工智能应用程序
如前所述，与人工智能评论相关的最销售书籍和经典技术书籍和教程，全面接触并理解人工智能，切割技术和经典算法的各个方面的基本数学理论，然后涉及如何应用如何应用对于实际方案，人工智能是AI技术的重点。
我已经在人工智能应用方向引入了几个重要分支：
1.计算机视觉
2.自然语言处理
3.数据智能和BI
4.知识和推理
5.机器人技术
本文是从计算机的视觉方向引入的，因为计算机视觉目前是最广泛使用和最重要的方向。例如，我们现在必须在各处刷脸。视频检测也是未来自动驾驶和机器人的重要基础。是否是无人驾驶汽车，还是无人机，自动机器人，如果您想组建AI智能并执行自己的动作并完成任务，您首先需要要从外界学习反馈以指导下一步和决策 - 制作。视觉信号是最直观，最有效，最丰富的信号（语音信号是另一个直觉输入，相应的语音信号处理和标识将是单独引入），因此拥有计算机视觉简历是最基本的需求之一
但是，计算机视觉的获取并不容易。困难不是如何获取图形，视频信号和数字化和离散，也不是在大型数据量，存储和真实时间处理的传输中。真正的困难，从他所看到的人中看到了他真正的含义。这是简历的最终目标和方向，但是先前的问题也需要一个一个一个一个，因此CV基本上包含一系列知识步骤。其中包括基础大学的学科知识来自数字电路，数字信号处理和离散数学。其中，信息理论，密码学，分布式网络以及机器学习以及对视觉理解和认知知识知识的深入学习。因此，需要某个计算机理论和数学知识的前提。
可以简化以下内容，仅关注CV字段。通常，我们的学习路径包括：
数字图像处理=“模式识别=”视频编码和识别=“计算机视觉理论=”计算机视觉工具
如果您希望一台机器看到世界，则必须首先了解图像：
1.数字图像处理
数字图像处理中涉及的关键知识包括：
（1）数字图像表示
（2）各种图像处理算法（滤镜）
（3）图像切割
（4）目标检测
（5）图像渲染，等等。
1.外国电子和通信教科书系列：数字图像处理（第四版）
MATLAB的应用实践MATLAB是该领域研究的重要工具
2.数字图像处理（MATLAB版本）（第二版）（本科教学版）
2.模型识别
模式识别的目的是通过一系列监督或非supervision来识别常规模型或特定模型或自动分类，例如数字信号处理任务。识别，视频目标识别，运动检测，实时测试是大多数基本算法支持。
通用模式识别任务包括：分类和标识
公共模式识别方法的重点是无监督的策略，并自动发现和识别信息数据中的模型，例如聚类，主要组件分析等。
它还包括统计和机器学习方法，例如受监督的SVM以及贝叶斯分类器的概率。
仍然先到经典教科书：
1.模式识别（第四版）（修订版）
2.模型识别和智能计算MATLAB技术实施第四版
这是基于MATLAB。
3.模式识别（模式识别和机器学习（第四版））
专注于机器学习和模式识别方法的组合
3.数字视频处理
（1）视频编解码器：它被压缩到如何压缩大型视频数据，这很方便传输和保存，但不会损失太多准确性而无法引起视频失真。
主流视频编解码器标准包括MPEG系列，ITU-T系列H.263，H.264，H.265和一些商业公司的算法标准。
视频编解码器的目的是确保计算的真实性和信号损失较小。
（2）视频目标检测：用于检测视频真实数据中某些特征的对象，并在每个帧中跟踪它，例如车牌捕获识别，面部检测，运动对象检测，人们流动警告的流动， ETC。
（3）视频综合：由视觉或多角相机生成的多角，甚至是完整的多维多通道视频输入，或显示全息图像。
只需推荐一些教科书即可。
1.数字视频处理（原始书2）
2.视频编码的详细说明：AVS中国，H.264/MPEG-4 PART10，HEVC，VP6，DIRAC，VC-1 [视频编码标准]]
3.多媒体技术教程（原始书2版）
1.人工智能编程示例
如果您想联系最新的人工智能技术，那么Peternorvig的人工智能编程示例将非常合适。
这被广泛认为是有史以来最好的编程书籍之一。实际写作风格很容易遵循。它将指导您在学习过程中发现自己。该示例还可以帮助您以最清晰的方式编写高质量的LISP程序方式。
请注意，在打开本书之前，作者应该默认情况下具有编程经验。这并不是说您想成为编程专家，但是如果您从未编写过代码（或写得不好），那么您可能会遇到很多学习过程中的困难。
这本书超过900页，但学习人工智能仍然是没有争议的最佳资源。
2.傻瓜机器学习
过去，我一直讨厌推荐“ Fordummies”系列的书籍，因为它们太简单明了。
即使它是零基础，《傻瓜机器学习》也可以使读者能够快速体验机器学习的魅力。尽管本书中的示例是用Python语言编写的，实际上，您不需要了解Python的语法。
在本书中，您将了解机器学习的历史以及机器学习和人工智能之间的区别。作者为我们解释了每个知识点。
在阅读本书之前，您只需要一些数学和逻辑的基础知识，而无需编程经验。如果您从未在阅读本书之前接触过算法，那么您可能会有些痛苦，但是您仍然可以进行一些互补的研究。
3.机器学习：使用算法谈论数据
Peterflach编写的这本机器学习包含许多机器学习的实用案例。我认为这本书是为中间和高级开发人员编写的。他们可以使用本书来巩固机器学习的基本知识，因为这本书比其他书籍更详细。
借助这本书，您将使用机器学习方法来生成，分析和预测统计模型。彼得解释了如何为自定义垃圾过滤器工作，并解释了为什么现在这种方法如此热。
从ROC分析开始，以下各章将比以前加深。
在每个知识点，这本书都配备了图形和图表描述。机器学习是一个非常广泛的领域，彼得通过示例分解了它们的主要部分。
如果您对大数据和机器学习感兴趣，那么我强烈推荐这本书，但是这种先决条件是您有一定的背景知识。
4. Python机器学习
在我前面提到的书中，几乎没有有限的语言。这本Sebastianraschka的450页书将打破记录。
对于想要学习机器学习的Python开发人员来说，这是最好的介绍。
许多人选择Python作为工具，因为Python具有简单的语法，功能强大且许多机器学习库，例如Scikit-Learn。
本书详细说明了Scikit-并指导我们将其应用于数据分析。本书的作者在编写算法时尊重可视化。因此，您不仅可以学习如何编写算法，还可以学会可视化数据。。
总的来说，本书的重点是技术，但不是为Python专家编写的。如果您熟悉Python语言，那么最好了解Scikit-Learn，那么这本书必须非常适合您。
结论：以上是首席CTO注释引入的人工智能书的所有内容。我希望这对每个人都会有所帮助。如果您仍然想了解有关此信息的更多信息，请记住收集并关注此网站。