Feynmann的博客

Francois Chollet的Deep Learning with Python中文版 第一部分　深度学习基础 第 1 章　什么是深度学习............................. 2 1.1　人工智能、机器学习与深度学习...............2 1.1.1　人工智能...........................................3 1.1.2　机器学习...........................................3 1.1.3　从数据中学习表示...........................4 1.1.4　深度学习之“深度”.........................6 1.1.5　用三张图理解深度学习的工作 原理 ..................................................7 1.1.6　深度学习已经取得的进展...............9 1.1.7　不要相信短期炒作...........................9 1.1.8　人工智能的未来.............................10 1.2　深度学习之前：机器学习简史.................11 1.2.1　概率建模.........................................11 1.2.2　早期神经网络.................................11 1.2.3　核方法.............................................12 1.2.4　决策树、随机森林与梯度 提升机 ............................................13 1.2.5　回到神经网络.................................14 1.2.6　深度学习有何不同.........................14 1.2.7　机器学习现状.................................15 1.3　为什么是深度学习，为什么是现在.........15 1.3.1　硬件.................................................16 1.3.2　数据.................................................17 1.3.3　算法.................................................17 1.3.4　新的投资热潮.................................17 1.3.5　深度学习的大众化.........................18 1.3.6　这种趋势会持续吗.........................18 第 2 章　神经网络的数学基础.....................20 2.1　初识神经网络.............................................20 2.2　神经网络的数据表示.................................23 2.2.1　标量（0D 张量）.............................23 2.2.2　向量（1D 张量）.............................24 2.2.3　矩阵（2D 张量）.............................24 2.2.4 3D 张量与更高维张量...................24 2.2.5　关键属性.........................................25 2.2.6　在 Numpy 中操作张量...................26 2.2.7　数据批量的概念.............................27 2.2.8　现实世界中的数据张量.................27 2.2.9　向量数据.........................................27 2.2.10　时间序列数据或序列数据...........28 2.2.11　图像数据.......................................28 2.2.12　视频数据.......................................29 2.3　神经网络的“齿轮”：张量运算..............29 2.3.1　逐元素运算.....................................30 2.3.2　广播.................................................31 2.3.3　张量点积.........................................32 2.3.4　张量变形.........................................34 2.3.5　张量运算的几何解释.....................34 2.3.6　深度学习的几何解释.....................35 2.4　神经网络的“引擎”：基于梯度的 优化.............................................................36 2.4.1　什么是导数.....................................37 2.4.2　张量运算的导数：梯度.................38 2.4.3　随机梯度下降.................................38 2.4.4　链式求导：反向传播算法.............41 2.5　回顾第一个例子.........................................41 本章小结..............................................................422　　目　　录 第 3 章　神经网络入门 ...............................43 3.1　神经网络剖析.............................................43 3.1.1　层：深度学习的基础组件.............44 3.1.2　模型：层构成的网络.....................45 3.1.3　损失函数与优化器：配置学习 过程的关键 ....................................45 3.2 Keras 简介...................................................46 3.2.1 Keras、 TensorFlow、 Theano 和 CNTK..............................................47 3.2.2　使用 Keras 开发：概述 .................48 3.3　建立深度学习工作站.................................49 3.3.1 Jupyter 笔记本：运行深度学习 实验的首选方法 ............................49 3.3.2　运行 Keras：两种选择 ..................50 3.3.3　在云端运行深度学习任务： 优点和缺点 ....................................50 3.3.4　深度学习的最佳 GPU....................50 3.4　电影评论分类：二分类问题.....................51 3.4.1 IMDB 数据集 .................................51 3.4.2　准备数据.........................................52 3.4.3　构建网络.........................................52 3.4.4　验证你的方法.................................56 3.4.5　使用训练好的网络在新数据上 生成预测结果 ................................59 3.4.6　进一步的实验.................................59 3.4.7　小结.................................................59 3.5　新闻分类：多分类问题.............................59 3.5.1　路透社数据集.................................60 3.5.2　准备数据.........................................61 3.5.3　构建网络.........................................61 3.5.4　验证你的方法.................................62 3.5.5　在新数据上生成预测结果.............65 3.5.6　处理标签和损失的另一种方法.....65 3.5.7　中间层维度足够大的重要性.........65 3.5.8　进一步的实验.................................66 3.5.9　小结.................................................66 3.6　预测房价：回归问题.................................66 3.6.1　波士顿房价数据集.........................67 3.6.2　准备数据.........................................67 3.6.3　构建网络.........................................68 3.6.4　利用 K 折验证来验证你的 方法 ................................................68 3.6.5　小结.................................................72 本章小结..............................................................73 第 4 章　机器学习基础 ...............................74 4.1　机器学习的四个分支.................................74 4.1.1　监督学习.........................................74 4.1.2　无监督学习.....................................75 4.1.3　自监督学习.....................................75 4.1.4　强化学习.........................................75 4.2　评估机器学习模型.....................................76 4.2.1　训练集、验证集和测试集.............77 4.2.2　评估模型的注意事项.....................80 4.3　数据预处理、特征工程和特征学习.........80 4.3.1　神经网络的数据预处理.................80 4.3.2　特征工程.........................................81 4.4　过拟合与欠拟合.........................................83 4.4.1　减小网络大小.................................83 4.4.2　添加权重正则化.............................85 4.4.3　添加 dropout 正则化 ......................87 4.5　机器学习的通用工作流程.........................89 4.5.1　定义问题，收集数据集.................89 4.5.2　选择衡量成功的指标.....................89 4.5.3　确定评估方法.................................90 4.5.4　准备数据.........................................90 4.5.5　开发比基准更好的模型.................90 4.5.6　扩大模型规模：开发过拟合的 模型 ................................................91 4.5.7　模型正则化与调节超参数.............92 本章小结..............................................................921 3 5 7 10 2 4 6 8 9 11 目　　录　　3 第二部分　深度学习实践 第 5 章　深度学习用于计算机视觉 .............94 5.1　卷积神经网络简介.....................................94 5.1.1　卷积运算.........................................96 5.1.2　最大池化运算...............................101 5.2　在小型数据集上从头开始训练一个 卷积神经网络...........................................102 5.2.1　深度学习与小数据问题的 相关性 ..........................................103 5.2.2　下载数据.......................................103 5.2.3　构建网络.......................................106 5.2.4　数据预处理...................................107 5.2.5　使用数据增强...............................111 5.3　使用预训练的卷积神经网络...................115 5.3.1　特征提取.......................................116 5.3.2　微调模型.......................................124 5.3.3　小结...............................................130 5.4　卷积神经网络的可视化...........................130 5.4.1　可视化中间激活...........................131 5.4.2　可视化卷积神经网络的 过滤器 ..........................................136 5.4.3　可视化类激活的热力图...............142 本章小结............................................................146 第 6 章　深度学习用于文本和序列 ........... 147 6.1　处理文本数据...........................................147 6.1.1　单词和字符的 one-hot 编码 ........149 6.1.2　使用词嵌入...................................151 6.1.3　整合在一起：从原始文本到 词嵌入 ..........................................155 6.1.4　小结...............................................162 6.2　理解循环神经网络...................................162 6.2.1 Keras 中的循环层 ........................164 6.2.2　理解 LSTM 层和 GRU 层 ...........168 6.2.3 Keras 中一个 LSTM 的具体 例子 ..............................................170 6.2.4　小结...............................................172 6.3　循环神经网络的高级用法.......................172 6.3.1　温度预测问题...............................172 6.3.2　准备数据.......................................175 6.3.3　一种基于常识的、非机器学 习的基准方法 ..............................177 6.3.4　一种基本的机器学习方法...........178 6.3.5　第一个循环网络基准...................180 6.3.6　使用循环 dropout 来降低过 拟合 ..............................................181 6.3.7　循环层堆叠...................................182 6.3.8　使用双向 RNN .............................184 6.3.9　更多尝试.......................................187 6.3.10　小结.............................................187 6.4　用卷积神经网络处理序列.......................188 6.4.1　理解序列数据的一维卷积...........188 6.4.2　序列数据的一维池化...................189 6.4.3　实现一维卷积神经网络...............189 6.4.4　结合 CNN 和 RNN 来处理 长序列 ..........................................191 6.4.5　小结...............................................195 本章总结............................................................195 第 7 章　高级的深度学习最佳实践 ........... 196 7.1　不用 Sequential 模型的解决方案： Keras 函数式 API .....................................196 7.1.1　函数式 API 简介 ..........................199 7.1.2　多输入模型...................................200 7.1.3　多输出模型...................................202 7.1.4　层组成的有向无环图...................204 7.1.5　共享层权重...................................208 7.1.6　将模型作为层...............................208 7.1.7　小结...............................................209 7.2　使用 Keras 回调函数和 TensorBoard 来检查并监控深度学习模型...................210 7.2.1　训练过程中将回调函数作用于 模型 ..............................................2104　　目　　录 7.2.2 TensorBoard 简介： TensorFlow 的可视化框架 ..............................212 7.2.3　小结...............................................219 7.3　让模型性能发挥到极致...........................219 7.3.1　高级架构模式...............................219 7.3.2　超参数优化...................................222 7.3.3　模型集成.......................................223 7.3.4　小结...............................................224 本章总结............................................................225 第 8 章　生成式深度学习.......................... 226 8.1　使用 LSTM 生成文本 ..............................227 8.1.1　生成式循环网络简史...................227 8.1.2　如何生成序列数据.......................228 8.1.3　采样策略的重要性.......................229 8.1.4　实现字符级的 LSTM 文本 生成 ..............................................230 8.1.5　小结...............................................234 8.2 DeepDream................................................235 8.2.1　用 Keras 实现 DeepDream...........236 8.2.2　小结...............................................241 8.3　神经风格迁移...........................................241 8.3.1　内容损失.......................................242 8.3.2　风格损失.......................................243 8.3.3　用 Keras 实现神经风格迁移 .......243 8.3.4　小结...............................................249 8.4　用变分自编码器生成图像.......................249 8.4.1　从图像的潜在空间中采样...........249 8.4.2　图像编辑的概念向量...................250 8.4.3　变分自编码器...............................251 8.4.4　小结...............................................256 8.5　生成式对抗网络简介...............................257 8.5.1 GAN 的简要实现流程.................258 8.5.2　大量技巧.......................................259 8.5.3　生成器...........................................260 8.5.4　判别器...........................................261 8.5.5　对抗网络.......................................261 8.5.6　如何训练 DCGAN .......................262 8.5.7　小结...............................................264 本章总结............................................................264 第 9 章　总结............................................ 265 9.1　重点内容回顾...........................................265 9.1.1　人工智能的各种方法...................265 9.1.2　深度学习在机器学习领域 中的特殊之处 ..............................266 9.1.3　如何看待深度学习.......................266 9.1.4　关键的推动技术...........................267 9.1.5　机器学习的通用工作流程...........268 9.1.6　关键网络架构...............................268 9.1.7　可能性空间...................................272 9.2　深度学习的局限性...................................273 9.2.1　将机器学习模型拟人化的 风险 ..............................................273 9.2.2　局部泛化与极端泛化...................275 9.2.3　小结...............................................276 9.3　深度学习的未来.......................................277 9.3.1　模型即程序...................................277 9.3.2　超越反向传播和可微层...............278 9.3.3　自动化机器学习...........................279 9.3.4　终身学习与模块化子程序复用....279 9.3.5　长期愿景.......................................281 9.4　了解一个快速发展领域的最新进展.......281 9.4.1　使用 Kaggle 练习解决现实 世界的问题 ..................................281 9.4.2　在 arXiv 阅读最新进展 ...............282 9.4.3　探索 Keras 生态系统 ...................282 9.5　结束语.......................................................282 附录 A 在 Ubuntu 上安装 Keras 及其 依赖 ............................................ 283 附录 B 在 EC2 GPU 实例上运行 Jupyter 笔记本............................ 287

Andereas Muller的Introduction to Machine Learning with Python的中文版 前言..........................................................................................................................................................ix 第 1 章　引言.........................................................................................................................................1 1.1　为何选择机器学习.....................................................................................................................1 1.1.1　机器学习能够解决的问题 ............................................................................................2 1.1.2　熟悉任务和数据 ............................................................................................................4 1.2　为何选择 Python.........................................................................................................................4 1.3 scikit-learn..............................................................................................................................4 1.4　必要的库和工具.........................................................................................................................5 1.4.1 Jupyter Notebook............................................................................................................6 1.4.2 NumPy ............................................................................................................................6 1.4.3 SciPy ...............................................................................................................................6 1.4.4 matplotlib .....................................................................................................................7 1.4.5 pandas.............................................................................................................................8 1.4.6 mglearn...........................................................................................................................9 1.5 Python 2 与 Python 3 的对比 .....................................................................................................9 1.6　本书用到的版本.......................................................................................................................10 1.7　第一个应用：鸢尾花分类.......................................................................................................11 1.7.1　初识数据 ......................................................................................................................12 1.7.2　衡量模型是否成功：训练数据与测试数据 ..............................................................14 1.7.3　要事第一：观察数据 ..................................................................................................15 1.7.4　构建第一个模型： k 近邻算法 ...................................................................................16 1.7.5　做出预测 ......................................................................................................................17 1.7.6　评估模型 ......................................................................................................................18 1.8　小结与展望...............................................................................................................................19vi ｜ 目录 第 2 章　监督学习..............................................................................................................................21 2.1　分类与回归...............................................................................................................................21 2.2　泛化、过拟合与欠拟合...........................................................................................................22 2.3　监督学习算法...........................................................................................................................24 2.3.1　一些样本数据集 ..........................................................................................................25 2.3.2 k 近邻 ...........................................................................................................................28 2.3.3　线性模型 ......................................................................................................................35 2.3.4　朴素贝叶斯分类器 ......................................................................................................53 2.3.5　决策树 ..........................................................................................................................54 2.3.6　决策树集成 ..................................................................................................................64 2.3.7　核支持向量机 ..............................................................................................................71 2.3.8　神经网络（深度学习）................................................................................................80 2.4　分类器的不确定度估计...........................................................................................................91 2.4.1　决策函数 ......................................................................................................................91 2.4.2　预测概率 ......................................................................................................................94 2.4.3　多分类问题的不确定度 ..............................................................................................96 2.5　小结与展望...............................................................................................................................98 第 3 章　无监督学习与预处理......................................................................................................100 3.1　无监督学习的类型.................................................................................................................100 3.2　无监督学习的挑战.................................................................................................................101 3.3　预处理与缩放.........................................................................................................................101 3.3.1　不同类型的预处理 ....................................................................................................102 3.3.2　应用数据变换 ............................................................................................................102 3.3.3　对训练数据和测试数据进行相同的缩放 ................................................................104 3.3.4　预处理对监督学习的作用 ........................................................................................106 3.4　降维、特征提取与流形学习.................................................................................................107 3.4.1　主成分分析 ................................................................................................................107 3.4.2　非负矩阵分解 ............................................................................................................120 3.4.3　用 t-SNE 进行流形学习 ............................................................................................126 3.5　聚类.........................................................................................................................................130 3.5.1 k 均值聚类 .................................................................................................................130 3.5.2　凝聚聚类 ....................................................................................................................140 3.5.3 DBSCAN ....................................................................................................................143 3.5.4　聚类算法的对比与评估 ............................................................................................147 3.5.5　聚类方法小结 ............................................................................................................159 3.6　小结与展望.............................................................................................................................159目录 ｜ vii 第 4 章　数据表示与特征工程......................................................................................................161 4.1　分类变量.................................................................................................................................161 4.1.1 One-Hot 编码（虚拟变量）.......................................................................................162 4.1.2　数字可以编码分类变量 ............................................................................................166 4.2　分箱、离散化、线性模型与树.............................................................................................168 4.3　交互特征与多项式特征.........................................................................................................171 4.4　单变量非线性变换.................................................................................................................178 4.5　自动化特征选择.....................................................................................................................181 4.5.1　单变量统计 ................................................................................................................181 4.5.2　基于模型的特征选择 ................................................................................................183 4.5.3　迭代特征选择 ............................................................................................................184 4.6　利用专家知识.........................................................................................................................185 4.7　小结与展望.............................................................................................................................192 第 5 章　模型评估与改进 ..............................................................................................................193 5.1　交叉验证.................................................................................................................................194 5.1.1 scikit-learn 中的交叉验证 ....................................................................................194 5.1.2　交叉验证的优点 ........................................................................................................195 5.1.3　分层 k 折交叉验证和其他策略.................................................................................196 5.2　网格搜索.................................................................................................................................200 5.2.1　简单网格搜索 ............................................................................................................201 5.2.2　参数过拟合的风险与验证集 ....................................................................................202 5.2.3　带交叉验证的网格搜索 ............................................................................................203 5.3　评估指标与评分.....................................................................................................................213 5.3.1　牢记最终目标 ............................................................................................................213 5.3.2　二分类指标 ................................................................................................................214 5.3.3　多分类指标 ................................................................................................................230 5.3.4　回归指标 ....................................................................................................................232 5.3.5　在模型选择中使用评估指标 ....................................................................................232 5.4　小结与展望.............................................................................................................................234 第 6 章　算法链与管道...................................................................................................................236 6.1　用预处理进行参数选择.........................................................................................................237 6.2　构建管道.................................................................................................................................238 6.3　在网格搜索中使用管道.........................................................................................................239 6.4　通用的管道接口.....................................................................................................................242 6.4.1　用 make_pipeline 方便地创建管道 .........................................................................243 6.4.2　访问步骤属性 ............................................................................................................244 6.4.3　访问网格搜索管道中的属性 ....................................................................................244viii ｜ 目录 6.5　网格搜索预处理步骤与模型参数.........................................................................................246 6.6　网格搜索选择使用哪个模型.................................................................................................248 6.7　小结与展望.............................................................................................................................249 第 7 章　处理文本数据...................................................................................................................250 7.1　用字符串表示的数据类型.....................................................................................................250 7.2　示例应用：电影评论的情感分析.........................................................................................252 7.3　将文本数据表示为词袋.........................................................................................................254 7.3.1　将词袋应用于玩具数据集 ........................................................................................255 7.3.2　将词袋应用于电影评论 ............................................................................................256 7.4　停用词.....................................................................................................................................259 7.5　用 tf-idf 缩放数据..................................................................................................................260 7.6　研究模型系数.........................................................................................................................263 7.7　多个单词的词袋（n 元分词）................................................................................................263 7.8　高级分词、词干提取与词形还原.........................................................................................267 7.9　主题建模与文档聚类.............................................................................................................270 7.10　小结与展望...........................................................................................................................277 第 8 章　全书总结............................................................................................................................278 8.1　处理机器学习问题.................................................................................................................278 8.2　从原型到生产.........................................................................................................................279 8.3　测试生产系统.........................................................................................................................280 8.4　构建你自己的估计器.............................................................................................................280 8.5　下一步怎么走.........................................................................................................................281 8.5.1　理论 ............................................................................................................................281 8.5.2　其他机器学习框架和包 ............................................................................................281 8.5.3　排序、推荐系统与其他学习类型 ............................................................................282 8.5.4　概率建模、推断与概率编程 ....................................................................................282 8.5.5　神经网络 ....................................................................................................................283 8.5.6　推广到更大的数据集 ................................................................................................283 8.5.7　磨练你的技术 ............................................................................................................284 8.6　总结.........................................................................................................................................284 关于作者..............................................................................................................................................285 关于封面..............................................................................................................................................285

Python Machine Learning的第一版+第二版+中文第一版 Introduction 第一章 让计算机从数据中学习 将数据转化为知识 三类机器学习算法 第二章 训练机器学习分类算法 透过人工神经元一窥早期机器学习历史 使用Python实现感知机算法 基于Iris数据集训练感知机模型 自适应线性神经元及收敛问题 Python实现自适应线性神经元 大规模机器学习和随机梯度下降 总结 第三章 使用Scikit-learn进行分类器之旅 如何选择合适的分类器算法 scikit-learn之旅 逻辑斯蒂回归对类别概率建模 使用正则化解决过拟合 支持向量机 使用松弛变量解决非线性可分的情况 使用核SVM解决非线性问题 决策树学习 最大信息增益 构建一棵决策树 随机森林 k近邻--一个懒惰学习算法 总结 第四章 构建一个好的训练集---数据预处理 处理缺失值 消除带有缺失值的特征或样本 改写缺失值 21.5.4 1.5.5 1.5.6 1.5.7 1.5.8 1.5.9 1.5.10 1.6 1.6.1 1.6.2 1.6.3 1.6.4 1.6.5 1.6.6 1.6.7 1.6.8 1.6.9 1.6.10 1.7 1.7.1 1.7.2 1.7.3 1.7.4 1.7.5 1.7.6 1.8 1.8.1 1.8.2 1.9 1.9.1 理解sklearn中estimator的API 处理分类数据 将数据集分割为训练集和测试集 统一特征取值范围 选择有意义的特征 利用随机森林评估特征重要性 总结 第五章 通过降维压缩数据 PCA进行无监督降维 聊一聊方差 特征转换 LDA进行监督数据压缩 原始数据映射到新特征空间 使用核PCA进行非线性映射 用Python实现核PCA 映射新的数据点 sklearn中的核PCA 总结 第六章 模型评估和调参 通过管道创建工作流 K折交叉验证评估模型性能 使用学习曲线和验证曲线 调试算法 通过网格搜索调参 通过嵌套交叉验证选择算法 不同的性能评价指标 第七章 集成学习 集成学习 结合不同的分类算法进行投票 第八章 深度学习之PyTorch 60分钟上手PyTorch

Digital Integrated Circuits-A-Design-Perspective（第二版）英文原版，内容全。无残缺章节。 作者 Jan M Rabaey

Python Machine Learning 第二版 Sebastian Raschka著 高清带书签

并行程序设计导论 和 并行计算导论（第二版） 两本书的中译本 第一本是 Peter S. Pacheco著，邓倩妮 译 后一本是 Ananth Grama等著， 张武 等 译

并行程序设计导论的英文版 2010年 An Introduction to Parallel Programming Peter S. Pacheco著

The Art of Hardware Architecture--Design Methods and Techniques for Digital Circuits 作者 Mohit Arora

Artificial Intelligence--A Modern Approach 3rd Edition 作者 Stuart Russell， Peter Norvig

NVM Express Revision 1.2.1规范 发布时间： June 5, 2016

Ian Goodfellow那本大名鼎鼎的deep learning中文版 来着github上的好翻译

Key Features, Learn advanced techniques in deep learning with this example-rich guide on Google's brainchildExplore various neural networks with the help of this comprehensive guideAdvanced guide on machine learning techniques, in particular TensorFlow for deep learning., Book Description, Deep learning is the next step after machine learning. It is machine learning but with a more advanced implementation. As machine learning is no longer an academic topic, but a mainstream practice, deep learning has taken a front seat. With deep learning being used by many data scientists, deeper neural networks are evaluated for accurate results. Data scientists want to explore data abstraction layers and this book will be their guide on this journey. This book evaluates common, and not so common, deep neural networks and shows how these can be exploited in the real world with complex raw data using TensorFlow., The book will take you through an understanding of the current machine learning landscape then delve into TensorFlow and how to use it by considering various data sets and use cases. Throughout the chapters, you'll learn how to implement various deep learning algorithms for your machine learning systems and integrate them into your product offerings such as search, image recognition, and language processing. Additionally, we'll examine its performance by optimizing it with respect to its various parameters, comparing it against benchmarks along with teaching machines to learn from the information and determine the ideal behavior within a specific context, in order to maximize its performance., After finishing the book, you will be familiar with machine learning techniques, in particular TensorFlow for deep learning, and will be ready to apply some of your knowledge in a real project either in a research or commercial setting., What you will learn, Provide an overview of the machine learning landscapeLook at the historical development and progress of deep learningDescribe TensorFlow and become very familiar with it both in theory and in practiceAccess public datasets and use TF to load, process, clean, and transform dataUse TensorFlow on real-world data sets including images and textGet familiar with TensorFlow by applying it in various hands on exercises using the command lineEvaluate the performance of your deep learning modelsQuickly teach machines to learn from data by exploring reinforcement learning techniques.Understand how this technology is being used in the real world by exploring active areas of deep learning research and application.

一篇综述式论文 Deep learningforvisualunderstanding:Areview YanmingGuo a,c, YuLiu a, ArdOerlemans b, SongyangLao c, SongWu a, MichaelS.Lew

非扫描、高清版本 UNDERSTANDING MACHINE LEARNING From Theory to Algorithms Shai Shalev-Shwartz The Hebrew University, Jerusalem Shai Ben-David University of Waterloo, Canada

Computer Vision:Algorithms and Applications 《计算机视觉:算法与应用》探索了用于分析和解释图像的各种常用技术,描述了具有一定挑战性的视觉应用方面的成功实例,兼顾专业的医学成像和图像编辑与交织之类有趣的大众应用,以便学生能够将其应用于自己的照片和视频,从中获得成就感和乐趣。《计算机视觉:算法与应用》从科学的角度介绍基本的视觉问题,将成像过程的物理模型公式化,然后在此基础上生成对场景的逼真描述。作者还运用统计模型来分析和运用严格的工程方法来解决这些问题。 《计算机视觉:算法与应用》作为本科生和研究生“计算机视觉”课程的理想教材,适合计算机和电子工程专业学生使用,重点介绍现实中行之有效的基本技术,通过大量应用和练习来鼓励学生大胆创新。此外,《计算机视觉:算法与应用》的精心设计和编排,使其可以作为计算机视觉领域中一本独特的基础技术参考和最新研究成果文献。

英文原版，非扫描版本 Computer Vision: Algorithms and Applications Richard Szeliski September 3, 2010 draft c 2010 Springer

Pro.Android 4 Apress的千页大部头书

对Design Compiler做一边系统概念的梳理 中文扫描版

Printed circuits handbook（6th) 画PCB必备，很厚 非常好,非常全的PCB参考资料 英文的

著名的python简易教程 byte of python for python 3.0的

21天学通C++ Jesse的 第三版的翻译版的 扫描的还可以

JDK6 中文文档 呵呵，凑合着看好了 虽然没有英文的好。

JDK 6 文档， 英文版的， 网页打包了

Perl编程金典part2 Deitel

Perl编程金典part1 Deitel

浮点运算手册 英文版 不错的学习ieee 754规范的资料

gnu make 中文手册 3.8版的 pdf版

翻译的第一版， 还算清楚， 凑合着看看。

thinking in Java 3rd 嗯第三版的中文版，还不错

Learning Java oreily出的，还好~

The.unix.programming.envirment

Perl Oriented Object，这方面的书比较少

The C programming Language 经典书

多年前的经典书，值得C程序员细细品味啊~ 看到很多人对于翻译版本诟病很多，还是直接看原版的好。

十年前的老书了，拿出来晒一下，多少应该有些用处

C++ primier 3rd 经典的学习C++的书籍

oreilly的practical perforce，英文版

awk是Unix操作系统提供的一个程序化语句，是为了使信息和文本的处理更易于表达和完成而设计的。

Accelerate C++(CHN).Accelerate C++(CHN).

ebook+O'Reilly+Java+Cookbook