【导读】今天给大家推荐一下机器学习、深度学习算法实战和应用必备的4本“宝藏”书。具体书籍展示如下：（文末提供下载方式！）
1. Deep Learning With PyTorch（PyTorch官方指定教程）
《Deep Learning with PyTorch》，上面共有五个章节，包括了深度学习与PyTorch库、张量、如何用张量表示真实世界的数据、学习机制、用神经网络拟合数据等方面的内容，核心是指导读者使用Python 和 PyTorch 实现深度学习算法。
2. 在【程序员遇见Github】公众号后台回复 【DL4】 即可。
2. Natural Language Processing with PyTroch
作者Delip Rao和Goku Mohandas为您提供了PyTorch的坚实基础，以及深度学习算法，用于构建涉及文本语义表示的应用程序。每章包括几个代码示例和插图
- 获得对NLP，深度学习和PyTorch介绍
- 了解传统的NLP方法，包括NLTK，SpaCy和gensim
- 探索嵌入：语言中单词的高质量表示
- 使用递归神经网络（RNN）学习语言序列中的表示
- 通过复杂的神经架构改进RNN结果，例如长期短期记忆（LSTM）和门控递归单位
- 探索读取一个序列并产生另一个序列的序列到序列模型（用于翻译）
2. 在【Python遇见机器学习】公众号后台回复 【DL4】 即可。
3. Deep Learning with PyTorch
推荐指数：★★★★☆
本书自出版以来收到众多好评，因为是 Keras 作者写的书，所以全书基本围绕着 Keras 讲深度学习的各种实现，从 CNN，RNN 到 GAN 等，偏入门，但也承载着很多作者对深度学习整体性的思考。这是一本偏实战的书，教你使用 Keras 快速实现深度学习经典项目。看完这本书，基本能对 Keras 和深度学习实战有比较初步的掌握了。
4. 神经网络与深度学习（“蒲公英书”）
该书主要特点：
系统性：系统地整理了神经网络和深度学习的知识体系。鉴于深度学习涉及的知识点较多，本书从机器学习的基本概念、神经网络模型以及概率图模型三个层面来串联深度学习所涉及的知识点，使读者对深度学习技术的理解更具系统性、条理性和全面性。
可读性：本书在编排上由浅入深，在语言表达上力求通俗易懂，并通过增加图例、示例以及必要的数学推导来理解抽象的概念。同时，附录简要介绍了本书所涉及的必要数学知识，便于读者查用。
实践性：本书在网站上配套了针对每章知识点的编程练习，使得读者在学习过程中可以将理论和实践密切结合，加深对知识点的理解，并具备分析问题和解决问题的能力。
2. 在【深度学习算法与计算机视觉】公众号后台回复
【DL4】 即可。
