相關書籍PDF資料下載見：https://pan.baidu.com/s/1lMO23nnrIag8Glvy2Be0Iw

最全AI書籍資料整理推薦：
《21個專案玩轉深度學習：基於TensorFlow的實踐詳解》PDF+原始碼
《153分鐘學會R》
《AI·未來》
《ggplot2：資料分析與圖形藝術》
《Hadoop權威指南(第2版)》
《Hadoop權威指南（第四版）》中文PDF+英文PDF+原始碼
《Keras快速上手：基於Python的深度學習實戰》
《OpenCV3計算機視覺 Python語言實現(第二版)》
《OpenCV官方教程中文版（For Python）》
《Python3網路爬蟲開發實戰》中文PDF+原始碼
《

Python程式設計從入門到實踐》（高清中文版PDF+高清英文版PDF+原始碼）
《Python程式設計快速上手：讓繁瑣工作自動化》【高清中文版PDF+高清英文版PDF+原始碼】
《Python程式設計入門(第3版)》中文PDF+英文PDF
《Python程式設計與演算法基礎教程》
《Python核心程式設計(第三版)》（高清中文版PDF+高清英文版PDF+原始碼）
《Python機器學習》高清英文版PDF+中文版PDF+原始碼及資料集
《Python機器學習基礎教程》高清中文版PDF+高清英文版PDF+原始碼
《Python機器學習及實踐從零開始通往Kaggle競賽之路》
《Python機器學習經典例項》(高清中文版PDF+高清英文版PDF+原始碼)
《Python機器學習實踐指南》(高清中文版PDF+高清英文版PDF+原始碼)
《Python機器學習—預測分析核心演算法》高清中文版PDF+高清英文版PDF+原始碼
《Python基礎教程（第3版）》（高清中文版PDF+高清英文版PDF+原始碼）
《Python金融大資料分析》中文版PDF+英文版PDF+原始碼
《Python金融實戰》中文版PDF+英文版PDF+原始碼
《Python進行自然語言處理》
《Python深度學習》高清中文版pdf+高清英文版pdf+原始碼
《Python神經網路程式設計》中文版PDF+英文版PDF+原始碼
《Python資料處理》（高清中文版PDF+高清英文版PDF+原始碼）
《Python資料分析基礎》高清中文PDF+高清英文PDF+原始碼
《Python資料分析基礎教程：NumPy學習指南(第2版)》高清中文PDF+英文PDF+原始碼
《Python資料科學手冊》高清中文版PDF+高清英文版PDF+原始碼
《Python資料視覺化程式設計實戰》中文版PDF+英文版PDF+原始碼
《Python資料探勘入門與實踐》高清中文版+高清英文版+原始碼
《Python網路資料採集》高清中文版PDF+高清英文版PDF+原始碼
《Python學習手冊(第4版)》高清中文PDF+高清英文PDF+原始碼
《Python遊戲程式設計快速上手(第3版)》高清中文版PDF+高清英文版PDF+原始碼
《Python語言及其應用》高清中文版PDF+高清英文版PDF+原始碼
《R資料科學》高清中文版PDF+高清英文版PDF+原始碼
《R資料視覺化手冊》高清英文版PDF+中文版PDF+原始碼
《R語言程式設計藝術》中文版PDF+英文版PDF+原始碼
《R語言實戰（第2版）》高清中文版PDF+高清英文版PDF+原始碼
《R語言與網站分析》
《TensorFlow 官方文件中文版》
《TensorFlow機器學習實戰指南》中文版PDF+英文版PDF+原始碼
《TensorFlow機器學習專案實戰》中文PDF+英文PDF+原始碼
《TensorFlow技術解析與實戰》高清中文PDF+原始碼
《TensorFlow實戰》中文版PDF+原始碼
《TensorFlow實戰Google深度學習框架(第2版)》中文版PDF和原始碼
《白話大資料與機器學習》PDF+《圖解機器學習》PDF
《白話深度學習與TensorFlow》中文版PDF
《貝葉斯方法概率程式設計與貝葉斯推斷》中文版PDF+英文版PDF+原始碼
《貝葉斯思維：統計建模的Python學習法》高清中文版PDF+高清英文版PDF+原始碼
《從Excel到Python資料分析進階指南》高清中文版PDF
《大資料之路：阿里巴巴大資料實踐》
《大資料治理》
《大資料治理與服務》
《動手學深度學習》高清PDF
《父與子的程式設計之旅python【第二版】》高清中文版PDF+高清英文版PDF+原始碼
《機器學習：實用案例解析》中文版PDF+英文版PDF+原始碼
《機器學習》
《機器學習》
《機器學習導論》
《機器學習導論》
《機器學習基礎教程》中文PDF+英文PDF
《機器學習實踐應用》高清PDF+原始碼
《機器學習實戰：基於Scikit-Learn和TensorFlow》高清中英文PDF+原始碼
《機器學習實戰》(高清中文版PDF+高清英文版PDF+原始碼)
《機器學習系統設計》高清中文版+高清英文版+原始碼
《機器學習與資料科學(基於R的統計學習方法)》高清中文PDF+原始碼
《機器學習之路》
《機器之心》
《教孩子學程式設計Python語言版》中文版PDF+英文版PDF+原始碼
《解析卷積神經網路深度學習實踐手冊》
《解析深度學習語音識別實踐》
《精通Python爬蟲框架Scrapy》中文PDF+英文PDF+原始碼
《精通Python自然語言處理》高清中文版PDF+高清英文版PDF+原始碼
《矩陣分析與應用（第二版）張賢達》PDF
《浪潮之巔》
《利用Python進行資料分析(第二版)》高清中文版PDF+高清英文版PDF+原始碼
《零基礎入門學習Python》電子書PDF+筆記+課後題及答案
《零起點Python大資料與量化交易》中文PDF+原始碼
《流暢的Python》高清中文版PDF_mobi+高清英文版PDF_mobi+原始碼大全套
《面向機器智慧的TensorFlow實踐》中文版PDF+英文版PDF+原始碼
《模式識別與機器學習》
《趣學Python程式設計》中文PDF+英文PDF+原始碼
《人工智慧：國家人工智慧戰略行動抓手》
《人工智慧：智慧系統指南》
《人工智慧》
《人工智慧基礎》
《人工智慧時代的教育革命》
《人工智慧一種現代方法》
《人類簡史》
《深度學習、優化與識別》PDF+《深度學習原理與TensorFlow實踐》PDF
《深度學習：一起玩轉TensorLayer》
《深度學習：原理與應用實踐》中文版PDF
《深度學習精要（基於R語言）》高清中文版PDF+高清英文版PDF+原始碼
《深度學習入門：基於Python的理論與實現》高清中文版PDF+原始碼
《深度學習-伊恩·古德費洛》【中文版和英文版】【高清完整版PDF】
《深度學習與計算機視覺》
《深度學習之PyTorch實戰計算機視覺》PDF
《深度學習之TensorFlow：入門、原理與進階實戰》PDF+原始碼
《深入淺出強化學習：原理入門》
《深入淺出深度學習：原理剖析與python實踐》PDF+原始碼
《神經網路與機器學習（第3版）》高清英文PDF+中文PDF
《神經網路與深度學習（美）MichaelNielsen著》中文版PDF+英文版PDF+原始碼
《生物資訊學機器學習方法》
《失控》
《時間簡史》
《時間序列分析及應用：R語言（原書第2版）》
《實用機器學習(孫亮 著)》PDF+原始碼
《資料科學實戰手冊(R+Python)》中文PDF+英文PDF+原始碼
《資料科學中的R語言》中文PDF+原始碼
《資料探勘實用機器學習技術（中文第二版）》
《資料探勘與R語言》
《數理統計與資料分析 原書第3版》
《統計手冊：金融中的統計方法》
《統計學習方法》
《統計學習基礎 資料探勘、推理與預測》
《圖說D3資料視覺化利器從入門到進階》
《未來簡史》
《吳恩達深度學習課程筆記》
《一天搞懂深度學習》
《智慧革命》
《智慧時代》

階段一、人工智慧基礎 －　高等數學必知必會
本階段主要從資料分析、概率論和線性代數及矩陣和凸優化這四大塊講解基礎，旨在訓練大家邏輯能力，分析能力。擁有良好的數學基礎，有利於大家在後續課程的學習中更好的理解機器學習和深度學習的相關演算法內容。同時對於AI研究尤為重要，例如人工智慧中的智慧很大一部分依託“概率論”實現的。

一、資料分析
1）常數e
2）導數 
3）梯度 
4）Taylor

5）gini係數
6）資訊熵與組合數
7）梯度下降
8）牛頓法

二、概率論
1）微積分與逼近論
2）極限、微分、積分基本概念 
3）利用逼近的思想理解微分，利用積分的方式理解概率
4）概率論基礎
5）古典模型

6）常見概率分佈
7）大數定理和中心極限定理 
8）協方差(矩陣)和相關係數 
9）最大似然估計和最大後驗估計

三、線性代數及矩陣
1）線性空間及線性變換 
2）矩陣的基本概念 
3）狀態轉移矩陣 
4）特徵向量 
5）矩陣的相關乘法

6）矩陣的QR分解 
7）對稱矩陣、正交矩陣、正定矩陣 
8）矩陣的SVD分解 
9）矩陣的求導 
10）矩陣對映/投影

四、凸優化
1）凸優化基本概念 
2）凸集 
3）凸函式

4）凸優化問題標準形式 
5）凸優化之Lagerange對偶化 
6）凸優化之牛頓法、梯度下降法求解

階段二、人工智慧提升 － Python高階應用
隨著AI時代的到來以及其日益蓬勃的發展，Python作為AI時代的頭牌語言地位基本確定，機器學習是著實令人興奮，但其複雜度及難度較大，通常會涉及組裝工作流和管道、設定資料來源及內部和雲部署之間的分流而有了Python庫後，可幫助加快資料管道，且Python庫也在不斷更新發布中，所以本階段旨在為大家學習後續的機器學習減負。

一、容器
1）列表:list
2）元組:tuple
3）字典: dict
4）陣列: Array

5）切片
6）列表推導式
7）淺拷貝和深拷貝

二、函式
1）lambda表示式
2）遞迴函式及尾遞迴優化

3）常用內建函式/高階函式 
4）專案案例：約瑟夫環問題

三、常用庫
1）時間庫
2）併發庫 
3）科學計算庫

4）Matplotlib視覺化繪相簿 
5）鎖和執行緒
6）多執行緒程式設計

階段三、人工智慧實用 － 機器學習篇
機器學習利用演算法去分析資料、學習資料，隨後對現實世界情況作出判斷和預測。因此，與預先編寫好、只能按照特定邏輯去執行指令的軟體不同，機器實際上是在用大量資料和演算法去“自我訓練”，從而學會如何完成一項任務。
所以本階段主要從機器學習概述、資料清洗和特徵選擇、迴歸演算法、決策樹、隨機森林和提升演算法、SVM、聚類算、EM演算法、貝葉斯演算法、隱馬爾科夫模型、LDA主題模型等方面講解一些機器學習的相關演算法以及這些演算法的優化過程，這些演算法也就是監督演算法或者無監督演算法。

一、機器學習
1）機器學習概述

二、監督學習
1）邏輯迴歸 
2）softmax分類 
3）條件隨機場 
4）支援向量機svm

5）決策樹 
6）隨機森林 
7）GBDT 
8）整合學習

三、非監督學習
1）高斯混合模型 
2）聚類 
3）PCA

4）密度估計

5）LSI 
6）LDA 
7）雙聚類

四、資料處理與模型調優
1）特徵提取
2）資料預處理
3）資料降維

4）模型引數調優
5）模型持久化
6）模型視覺化

階段四、人工智慧實用 － 資料探勘篇
本階段主要通過音樂檔案分類和金融反欺詐模型訓練等專案，幫助大家對於上階段的機器學習做更深入的鞏固，為後續深度學習及資料探勘提供專案支撐。

專案一：百度音樂系統檔案分類
音樂推薦系統就是利用音樂網站上的音樂資訊，向用戶提供音樂資訊或者建議，幫助使用者決定應該聽什麼歌曲。而個人化推薦則是基於音樂資訊及使用者的興趣特徵、聽歌歷史行為，向用戶推薦使用者可能會感興趣的音樂或者歌手。推薦演算法主要分為以下幾種：基於內容的推薦、協同過濾推薦、基於關聯規則推薦、基於效用推薦、基於知識推薦等；推薦系統常用於各個網際網路行業中，比如音樂、電商、旅遊、金融等。

專案二：千萬級P2P金融系統反欺詐模型訓練
目前比較火的網際網路金融領域，實質是小額信貸，小額信貸風險管理，本質上是事前對風險的主動把控，儘可能預測和防範可能出現的風險。本專案應用GBDT、Randomforest等機器學習演算法做信貸反欺詐模型，通過資料探勘技術，機器學習模型對使用者進行模型化綜合度量，確定一個合理的風險範圍，使風險和盈利達到一個平衡的狀態。

階段五、人工智慧前沿 －　深度學習篇
深度學習是實現機器學習的技術，同時深度學習也帶來了機器學習的許多實際應用，拓展了AI的使用領域，本階段主要從TensorFlow、BP神經網路、深度學習概述、CNN卷積神經網路、遞迴神經網、自動編碼機，序列到序列網路、生成對抗網路，孿生網路，小樣本學習技術等方面講解深度學習相關演算法以，掌握深度學習前沿技術，並根據不同專案選擇不同的技術解決方案。針對公司樣本不足，採用小樣本技術和深度學習技術結合，是專案落地的解決方案。

1）TensorFlow基本應用 
2）BP神經網路
3）深度學習概述
4）卷積神經網路(CNN) 
5）影象分類(vgg,resnet)
6）目標檢測(rcnn,fast-rcnn,faster-rcnn,ssd)
7）遞迴神經網路(RNN)
8）lstm,bi-lstm,多層LSTM

9）無監督學習之AutoEncoder自動編碼器
10）Seq2Seq
11）Seq2Seq with Attension
12）生成對抗網路
13）irgan
14）finetune及遷移學習
15）孿生網路
16）小樣本學習

階段六、人工智慧進階 － 自然語言處理篇
自然語言處理（NLP）是電腦科學領域與人工智慧領域中的一個重要方向。它已成為人工智慧的核心領域。自然語言處理解決的是“讓機器可以理解自然語言”這一到目前為止都還只是人類獨有的特權，被譽為人工智慧皇冠上的明珠，被廣泛應用。本階段從NLP的字、詞和句子全方位多角度的學習NLP，作為NLP的基礎核心技術，對NLP為核心的專案，如聊天機器人，合理用藥系統，寫詩機器人和知識圖譜等提供底層技術。通過學習NLP和深度學習技術，掌握NLP具有代表性的前沿技術。

1）詞（分詞，詞性標註）程式碼實戰 
2）詞（深度學習之詞向量，字向量）程式碼實戰 
3）詞（深度學習之實體識別和關係抽取）程式碼實戰 
4）詞（關鍵詞提取，無用詞過濾）程式碼實戰

5）句（句法分析，語義分析）程式碼實戰
6）句（自然語言理解,一階邏輯）程式碼實戰
7）句（深度學習之文字相似度）程式碼實戰

階段七、人工智慧進階 － 影象處理篇
數字影象處理(Digital Image Processing)是通過計算機對影象進行去除噪聲、增強、復原、分割、提取特徵等處理的方法和技術。廣泛的應用於農牧業、林業、環境、軍事、工業和醫學等方面，是人工智慧和深度學習的重要研究方向。深度學習作為當前機器學習領域最熱門的技術之一，已經在影象處理領域獲得了應用，並且展現出巨大的前景。本階段學習了數字影象的基本資料結構和處理技術，到前沿的深度學習處理方法。掌握前沿的ResNet,SSD,Faster RCNN等深度學習模型，對影象分類，目標檢測和模式識別等影象處理主要領域達到先進水平。實際工作中很多專案都可以轉化為本課程的所學的知識去解決，如行人檢測，人臉識別和數字識別。

一、影象基礎
影象讀，寫，儲存，畫圖（線，圓，多邊形，新增文字）

二、影象操作及算數運算
影象畫素讀取，算數運算，ROI區域提取

三、影象顏色空間運算
影象顏色空間相互轉化

四、影象幾何變換
平移，旋轉，仿射變換，透視變換等

五、影象形態學
腐蝕，膨脹，開/閉運算等

六、影象輪廓
長寬，面積，周長，外接圓，方向，平均顏色，層次輪廓等

七、影象統計學
影象直方圖

八、影象濾波
高斯濾波，均值濾波，雙邊濾波，拉普拉斯濾波等

階段八、人工智慧終極實戰 － 專案應用
本階段重點以專案為導向，通過公安系統人臉識別、影象識別以及影象檢索、今日頭條CTR廣告點選量預估、序列分析系統、聊天機器人等多個專案的講解，結合實際來進行AI的綜合運用。

階段九、人工智慧實戰 － 企業專案實戰
課程一、基於Python資料分析與機器學習案例實戰教程
課程風格通俗易懂，基於真實資料集案例實戰。主體課程分成三個大模組(1)python資料分析，(2)機器學習經典演算法原理詳解,(3)十大經典案例實戰。通過python資料科學庫numpy,pandas,matplot結合機器學習庫scikit-learn完成一些列的機器學習案例。演算法課程注重於原理推導與流程解釋，結合例項通俗講解複雜的機器學習演算法，並以實戰為主，所有課時都結合程式碼演示。演算法與專案相結合，選擇經典kaggle專案，從資料預處理開始一步步程式碼實戰帶大家快速入門機器學習。旨在幫助同學們快速上手如何使用python庫來完整機器學習案例。選擇經典案例基於真實資料集，從資料預處理開始到建立機器學習模型以及效果評估，完整的講解如何使用python及其常用庫進行資料的分析和模型的建立。對於每一個面對的挑戰，分析解決問題思路以及如何構造合適的模型並且給出合適評估方法。在每一個案例中，同學們可以快速掌握如何使用pandas進行資料的預處理和分析，使用matplotlib進行視覺化的展示以及基於scikit-learn庫的機器學習模型的建立。

1）Python資料分析與機器學習實戰課程簡介
2）Python快速入門
3）Python科學計算庫Numpy
4）Python資料分析處理庫Pandas
5）Python視覺化庫Matplotlib
6）迴歸演算法
7）模型評估
8）K近鄰演算法
9）決策樹與隨機森林演算法
10）支援向量機 
11）貝葉斯演算法
12）神經網路
13）Adaboost演算法

14）SVD與推薦
15）聚類演算法
16）案例實戰：使用Python庫分析處理Kobe Bryan職業生涯資料
17）案例實戰：信用卡欺詐行為檢測
18）案例實戰：泰坦尼克號獲救預測
19）案例實戰：鳶尾花資料集分析
20）案例實戰：級聯結構的機器學習模型
21）案例實戰：員工離職預測
22）案例實戰：使用神經網路進行手寫字型識別
23）案例實戰：主成分分析
24）案例實戰：基於NLP的股價預測 
25）案例實戰：借貸公司資料分析

課程二、人工智慧與深度學習實戰
課程風格通俗易懂，必備原理，形象解讀，專案實戰缺一不可！主體課程分成四個大模組(1)神經網路必備基礎知識點，(2)深度學習模型，(3)深度學習框架Caffe與Tensorflow，(4)深度學習專案實戰。 課程首先概述講解深度學習應用與挑戰，由計算機視覺中影象分類任務開始講解深度學習的常規套路。對於複雜的神經網路，將其展開成多個小模組進行逐一攻破，再挑戰整體神經網路架構。對於深度學習模型形象解讀卷積神經網路原理，詳解其中涉及的每一個引數，對卷積網路架構展開分析與評估，對於現階段火爆的對抗生成網路以及強化學習給出形象解讀，並配合專案實戰實際演示效果。 基於框架實戰，選擇兩款深度學習最火框架，Caffe與Tensorflow，首先講解其基本使用方法，並結合案例演示如何應用框架構造神經網路模型並完成案例任務。 選擇經典深度學習專案實戰，使用深度學習框架從零開始完成人臉檢測，驗證碼識別，人臉關鍵點定位，垃圾郵件分類，影象風格轉換，AI自己玩遊戲等。對於每一個專案實戰，從資料預處理開始一步步構建網路模型並展開分析與評估。 課程提供所涉及的所有資料，程式碼以及PPT，方便大家快速動手進行專案實踐！

1）深度學習概述與挑戰
2）影象分類基本原理門
3）深度學習必備基礎知識點
4）神經網路反向傳播原理
5）神經網路整體架構
6）神經網路案例實戰影象分類任務
7）卷積神經網路基本原理
8）卷積引數詳解
9）卷積神經網路案例實戰
10）經典網路架構分析 
11）分類與迴歸任務
12）三代物體檢測演算法分析
13）資料增強策略
14）TransferLearning
15）網路架構設計
16） 深度學習框架Caffe網路結構配置
17）Caffe
18）深度學習專案實戰人臉檢測

19）人臉正負樣本資料來源製作
20）人臉檢測網路架構配置習模型
21）人臉檢測程式碼實戰
22）人臉關鍵點定位專案實戰
23）人臉關鍵點定位網路模型
24）人臉關鍵點定位構建級聯網路
25）人臉關鍵點定位測試效果與分析 
26）Tensorflow框架實戰
27）Tensorflow構建迴歸模型
28）Tensorflow構建神經網路模型
29）Tensorflow深度學習模型
30）Tensorflow打造RNN網路模型
31）Tensorflow專案實戰驗證識別
32）專案實戰影象風格轉換
33）QLearning演算法原理
34）DQN網路架構
35）專案實戰DQN網路讓AI自己玩遊戲
36）專案實戰對抗生成網路等