麗莎老師講機器人之推薦給人工智能愛好者的八本書。
1、深度學習優化與識別
深度神經網絡是近年來受到廣泛關注的研究方向，它已成為人工智能2.0的主要組成部分。
《深度學習、優化與識別》系統地論述了深度神經網絡基本理論、算法及應用。
全書共16章，分為兩個部分；第一部分（第1章～10章）系統論述了理論及算法，包括深度前饋神經網絡、深度卷積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融合網絡等；第二部分（第11～15章）論述了常用的深度學習平臺，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；
2、TensorFlow+Keras深度學習人工智能實踐應用
本書提供安裝、上機操作指南，同時輔以大量范例程序介紹TensorFlow + Keras深度學習方面的知識。本書分9部分，共21章，內容主要包括基本概念介紹、TensorFlow 與 Keras 的安裝、Keras MNIST手寫數字識別、Keras CIFAR-10照片圖像物體識別、Keras多層感知器預測泰坦尼克號上旅客的生存概率、使用Keras MLP、RNN、LSTM進行IMDb自然語言處理與情感分析、以TensorFlow張量運算仿真神經網絡的運行、TensorFlow MNIST手寫數字識別、使用GPU大幅加快深度學習訓練。
TensorFlow + Keras深度學習方面的知識不需要具備高等數學模型、算法等專業知識，讀者只需要具備基本的Python程序設計能力，按照本書的步驟循序漸進地學習，就可以了解深度學習的基本概念，進而實際運用深度學習的技術。
3、TensorFlow深度學習應用實踐
《TensorFlow深度學習應用實踐》總的指導思想是在掌握深度學習的基本知識和特性的基礎上，培養使用TensorFlow進行實際編程以解決圖像處理相關問題的能力。《TensorFlow深度學習應用實踐》力求深入淺出，通過通俗易懂的語言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫。
《TensorFlow深度學習應用實踐》共22章，內容包括Python類庫的安裝和使用、TensorFlow基本數據結構和使用、TensorFlow數據集的創建與讀取、人工神經網絡、反饋神經網絡、全卷積神經網絡的理論基礎、深度學習模型的創建、模型的特性、算法、ResNet、Slim、GAN等。本書強調理論聯系實際，重點介紹TensorFlow編程解決圖像識別的應用，提供了大量數據集，并以代碼的形式實現了深度學習模型，以供讀者參考。
4、深度學習實戰
深度學習為人工智能帶來了巨大突破，也成為機器學習領域一顆閃耀的新星。雖然相關學習資料豐富，但大部分內容較為龐雜且難以理解，并對初學者的相關理論知識與實踐能力有較高的要求，這使得大部分想進入這一領域的初學者望而卻步。
《深度學習實戰》去繁化簡地對深度學習的理論知識進行了梳理，并對算法實現做出了淺顯易懂的講解，適合初學者進行學習。結合《深度學習實戰》的內容，讀者可以快速對深度學習進行實踐。
通過啟發式的自學模式，可以使讀者由淺入深地學習并掌握常用的深度學習模型，為進一步使用開源的深度學習平臺與工具提供理論與實踐基礎。
5、深度學習：入門與實踐
《深度學習：入門與實踐》由一線資深技術專家撰寫，凝結了其自身多年的實踐經驗，闡述了深度學習的發展歷程、相關概念和工作原理，介紹了兩個當前流行的深度學習工具：Caffe 和TensorFlow ，并且初步探討了強化學習的基本原理和應用。為了幫助初學者快速上手，《深度學習：入門與實踐》注重從總體框架和脈絡上把握深度學習技術，同時在闡述原理時配以簡單的實例供讀者印證。
該書語言生動風趣，以通俗的語言講述復雜的原理，循循善誘，深入淺出，深度學習：入門與實踐適合有志于從事人工智能、深度學習相關研究的信息類專業的高年級本科生或研究生閱讀，也可供業界準備或正在從事深度學習、機器視覺等相關研發工作的工程技術人員參考。
6、機器學習
機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方面.?
全書共16 章，大致分為3 個部分：第1 部分介紹機器學習的基礎知識；第2 部分討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分為進階知識，內容涉及特征選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等.
7、機器學習：從公理到算法
《機器學習：從公理到算法（中國計算機學會學術著作叢書）》是一本基于公理研究學習算法的書。
共17章，由兩部分組成。第一部分是機器學習公理以及部分理論演繹，包括第1、2、6、8章，論述學習公理以及相應的聚類、分類理論。
第二部分關注如何從公理推出經典學習算法，包括單類、多類和多源問題。
第3～5章為單類問題，分別論述密度估計、回歸和單類數據降維。
第7、9～16章為多類問題，包括聚類、神經網絡、K近鄰、支持向量機、Logistic回歸、貝葉斯分類、決策樹、多類降維與升維等經典算法。
第17章研究了多源數據學習問題。
8、世界著名計算機教材精選·人工智能：一種現代的方法
《世界著名計算機教材精選·人工智能：一種現代的方法（第3版）》的新版全面而系統地介紹了人工智能的理論和實踐，闡述了人工智能領域的核心內容，并深入介紹了各個主要的研究方向。
全書分為七大部分：第1部分“人工智能”，第II部分“問題求解”，第III部分“知識、推理與規劃”，第IV部分“不確定知識與推理”，第V部分“學習”，第VI部分“通信、感知與行動”，第VII部分“結論”。
該書既詳細介紹了人工智能的基本概念、思想和算法，還描述了其各個研究方向前沿的進展，同時收集整理了詳實的歷史文獻與事件。另外，本書的配套網址為教師和學生提供了大量教學和學習資料。
