本文所有书籍均为网上公开免费书籍，从4百多本机器学习、深度学习等人工智能类书籍中收集、归类、整理出来非常不易，涉及AI算法领域必读经典教材。 本资源包含10本作者力荐教材（中英文版或最新版） ，下载会收取点辛苦费，望理解。

1、深度学习经典教材-《Deep Learning》Ian GoodfellowYoshua Bengio 中英文版

又称花书，深度学习圣经，每一位AI从业者必读的入门书籍。

《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

所有书籍获取地址

2、自然语言处理/语音圣经-《自然语言处理综述》斯坦福大学Daniel Jurafsky 最新版

自然语言处理领域经典综述教材《Speech and Language Processing 》，中文名《自然语言处理综述》第三版发布。该书由NLP领域的大牛，斯坦福大学 Daniel Jurafsky教授和科罗拉多大学的 James H. Martin 教授等人共同编写。Daniel Jurafsky是斯坦福大学计算机科学教授，主要研究方向是计算语言学和自然语言处理。James H. Martin 是科罗拉多大学博尔德分校计算机科学系一名教授，两位教授都是NLP领域知名学者。

这本书几乎是NLPer的必读书。这门课程适合NLP入门学习，可以了解基本的自然语言处理任务和早期经典的处理方法，以及和信息检索相关的一些方法。

3、模式识别/机器学习圣经-《模式识别与机器学习-PRML》Christopher M. Bishop 中英文版

机器学习从业者必读经典书籍，本书可以说是机器学习的经典学习之作。 以前在上机器学习这么课的时候，很多细节还没联系到，结果在读论文中就显得捉襟见肘。本文打算理清楚这本书的脉络，也顺便为学习机器学习的人打下一个学习路线图。

本书面向具有模式识别和机器学习基础知识的人，假定读者具有一定程度的多元微积分和代数知识。

本书中的概念旨在解释ML领域中基础算法和技术的最新发展。本书涵盖了广泛使用的主题，例如贝叶斯方法，回归，分类，神经网络，图形模型，采样方法等，非常适合理解ML，统计，计算机视觉和挖掘。这本书完全堆砌在一起，包括各种练习和其他材料。

4、神经网络与深度学习必读教材-《Neural Networks and Deep Learning》Michael Nielsen 中英文版

人工智能机器学习教程书籍，李航、马少平、邱锡鹏等多位科学家重磅推荐，Michael Nielsen高分深度学习入门讲义正式版， 基于Python语言编写，配套动态示例，兼顾理论和实践，新手也可以很快入门。

本书深入讲解神经网络和深度学习技术，侧重于阐释深度学习的核心概念。作者以技术原理为导向，辅以贯穿全书的MNIST手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。学完本书后，读者将能够通过编写Python代码来解决复杂的模式识别问题。

5、深度学习Tensorf实战经典教材-《Hands-On Machine Learning with Scikit-Learn and TensorFlow》 第一版中英文版，第二版最新版

豆瓣评分9.2的Tensorflow、深度学习实战必读书籍，入门教程里面比较好的一本，偏实战，github配套代码。 对于打算从机器学习或该领域的爱好者开始的任何人来说，这无疑是最畅销的书之一。要求具备Python编程语言的先验知识，它解释了一些用于构建智能系统的ML库Scikit-Learn，Keras和TensorFlow 2。

直观解释的概念和易于实现的示例可实现更流畅的实际实现和理解。涉及主题包括支持向量机，随机森林，神经网络，深度强化学习，急切执行，时间序列处理等。本书包含一些库和相关API的更新代码示例。

所有书籍获取地址

6、深度强化学习必读圣经-《Reinforcement Learning-An Introduction》Richard S. Sutton 最新版

本书从强化学习的基本思想出发，介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。

Richard S. Sutton是加拿大的一名计算机科学家，目前是阿尔伯塔大学计算机科学教授和iCORE主席。Sutton被认为是现代强化学习的奠基人之一，主要有以下几个显著的贡献，包括时间差分学习、策略梯度法、在Dyna架构， 由其主笔撰写的书：《Reinforcement Learning: An Introduction》，一直被视为强化学习领域的圣经。

7、深度学习实战必读中文教材-《动手学深度学习》李沐 中文最新版

人工智能机器学习深度学习领域重磅教程图书 Amazon科学家作品 交互式实战环境下动手学深度学习的全新模式 原理与实战紧密结合。

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分：*部分介绍深度学习的背景，提供预备知识，并包括深度学习*基础的概念和技术。本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

8、深度学习经典中文教材-《神经网络与深度学习》邱锡鹏 中文最新版

豆瓣评分9.5!复旦大学邱锡鹏教授力作，周志华、李航联袂推荐！深受好评的深度学习讲义蒲公英书正式版！ 系统整理深度学习的知识体系，由浅入深地阐述深度学习的原理、模型以及方法。更适合中文读者的深度学习图书。

本书是深度学习领域的入门教材，系统地整理了深度学习的知识体系，并由浅入深地阐述了深度学习的原理、模型以及方法，使得读者能全面地掌握深度学习的相关知识，并提高以深度学习技术来解决实际问题的能力。

9、PyTorch实战必读教材-《PyTorch Recipes - A Problem-Solution Approach》Pradeepta Mishra 最新版

PyTorch是由Facebook的人工智能研究部门创建的，该部门旨在使模型开发过程简单、直接、动态，这样开发人员就不必担心在编译和执行模型之前声明对象。它基于Torch框架，是Python的扩展。

这本书面向数据科学家、自然语言处理工程师、人工智能解决方案开发人员、从事图形计算框架的现有从业人员以及图论研究人员。这本书主要讲解张量（Tensor）的基础知识、计算、执行基于算术的运算、矩阵代数和使用PyTorch框架的基于统计分布式运算。

所有书籍获取地址

10、计算机视觉圣经-《Computer Vision - Algorithms and Applications》Richard Szeliski 最新版

这本书还反映了作者20年来在企业研究实验室从事计算机视觉研究的经验，这些实验室主要是数字设备公司的剑桥研究实验室和微软研究实验室。在从事我的工作时，主要集中在现实世界中有实际应用并且在实践中运行良好的问题和解决技术(算法)上。因此，这本书更强调在现实世界条件下工作的基本技术，而不是更深奥的数学，它有内在的优雅，但实用性较差。

这本书适用于向计算机科学和电气工程的学生教授计算机视觉的高级本科课程。我更希望学生有一个图像处理或计算机图形课程作为先决条件，这样他们可以花更少的时间学习一般背景数学，更多的时间学习计算机视觉技术。这本书也适用于教授计算机视觉的研究生课程(通过深入更高要求的应用和算法领域)，并作为基础技术和最近研究文献的一般参考。为此，我尽可能尝试至少引用每个子领域的最新研究，即使技术细节太复杂，无法在书中涵盖。