深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。
本书由四部分构成。第一部分介绍本书中将使用的基本学习机制，包括有，监督学习、
多层感知器、基于梯度的训练以及用于实现和训练神经网络的计算图抽象。第二部分将第
一部分介绍的机制与语言进行关联，介绍处理语言时所能用到的主要信息源，并解释如何
将它们与神经网络机制进行整合。同时讨论词嵌入算法和分布式假设，以及将前馈方法用
于语言模型。第三部分处理特殊的结构以及它们在语言数据中的应用，包括用于处理
ngram 的一维卷积网络、用于建模序列和梭的循环神经网络CR>JN ） 。第三部分描述最多
的RNN 是针对语言数据的神经网络应用的主要创新，包括强大的条件生成框架以及基于
注意力的模型。第四部分是各种新进展的集合，包括用于建模树的递归网络、结构化预测
模型以及多任务学习。
约阿夫.戈尔德贝格《基于深度学习的自然语言处理》中文pdf
《基于深度学习的自然语言处理》中文pdf, 274页,带目录，文字可复制
下载：https://pan.baidu.com/s/1GrOYN_gtigopQbhN4YGdt 提取码：7cuq
机器学习内容庞杂，理论精深，学好不容易，以下是几点学习建议
- 不要从头开始学数学
如果不是一点数学都不会，你没有必要从零学起。用上一小段时间，把微积分、线性代数、以及概率统计复习一遍就够了。不要过度投入到数学领域，打好基础即可。举个栗子，你想当个司机，你需要去了解汽油发动机原理吗？ 不需要。 因为你开的车，有可能是电动车。
- 代码能力要过关
除了Python，请至少学习1-2门底层语言，比如C/C++，Java。
此外，如果你的目标是算法工程师，那么数据结构与算法、计算机系统、内存机制、网络编程、大数据框架也要着手学习。
- 不要过分深入
深度学习，底层结构很复杂，理论知识读懂即可，书也可以跳着看。除了自己感兴趣的部分，其他不需要深入。
- 不要重复造轮子
在开始入门的时候，认认真真自己实现一遍基础算法的底层代码就足够了，对于更多复杂的算法实现，如非必要，请不要浪费时间，要记住，你只是入门，不需要专精这个领域。
现如今，对于大多数深度模型调用，代码量基本不过百行。除非你的方向是大规模、高可用深度学习系统的底层开发、架构开发，那么没有必要深入底层代码。
对于还处于入门阶段的人来说，基础还没有学好，直接读框架源代码，往往是做无用功，效率不会太高，需要循序渐进。
- 不要报培训班
这一点仁者见仁。但我认为，网络上的公开课足够你学的了，比如Coursera，斯坦福CS231，可汗学院等等。
要强调的是，有的同学会觉得花了钱，自然就会心疼，就会坚持学下去。这个想法很好，但太天真，国内这一块的教学体系才刚起步，很多985高校都是和计算机、数学系一起上课，老师自己很可能都不是研究AI出身的。校外的培训机构，会有比985还好的教学能力吗？
深度学习没有速成一说，虽然深度学习经常被诟病没有基础理论支撑，不需要数学知识，但那是说给大牛听的。你一旦深入某个方向，底层的数学照样少不了。培训班最不会教你的，它们只会利用你的兴趣，揠苗助长，然后收割学费。