本书自成体系，但仅限于深度学习的内容。它旨在成为Deep Learning（Goodfellow等人，2016年）^[1] 的精神继任者，Deep Learning 是极好的资源，但没有涵盖最近的进展。如果想要更广泛地了解机器学习，最新且最全面的资源是 Probabilistic Machine Learning（Murphy，2022年，2023年）^[2]。然而，Pattern Recognition and Machine Learning（Bishop，2006年）^[3]仍然是一本优秀且相关的书籍。

如果你喜欢这本书，那么我之前的作品Computer Vision: Models, Learning, and Inference（Prince，2012年）^[4]仍然值得一读。有些部分已经严重过时，但它包含了对概率的彻底介绍，包括贝叶斯方法，以及对潜变量模型、计算机视觉几何学、高斯过程和图形模型的良好入门覆盖。它使用与本书相同的符号，并且可以在线找到。对图形模型的详细处理可以在Probabilistic Graphical Models: Principles and Techniques（Koller & Friedman，2009年）^[5]中找到，而高斯过程则由Gaussian Processes for Machine Learning（Williams & Rasmussen，2006年）^[6]涵盖。

对于背景数学知识，可以参考Mathematics for Machine Learning（Deisenroth等人，2020年）^[7]。如果想要更偏向编程的方法，可以参考Dive into Deep Learning（Zhang等人，2023年）^[8]。关于计算机视觉的最佳概述是（Szeliski，2022年）^[9]，还有一本即将出版的书Foundations of Computer Vision（Torralba等人，2024年）^[10]。学习图神经网络的一个好的起点是Graph Representation Learning（Hamilton，2020年）^[11]。关于强化学习的权威著作是Reinforcement Learning: An Introduction（Sutton & Barto，2018年）^[12]。Foundations of Deep Reinforcement Learning（Graesser & Keng，2019）^[13]是很好的入门资源。

注

[1] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

[2] Murphy, K. P. (2022). Probabilistic machine learn- ing: An introduction. MIT Press.

[3] Bishop, C. M. (2006). Pattern recognition and ma- chine learning. Springer.

[4] Prince, S. J. D. (2012). Computer vision: Models, learning, and inference. Cambridge University Press.

[5] Koller, D., & Friedman, N. (2009). Probabilistic graphical models: Principles and techniques. MIT Press.

[6] Williams, C. K., & Rasmussen, C. E. (2006). Gaus- sian processes for machine learning. MIT Press.

[7] Deisenroth, M. P., Faisal, A. A., & Ong, C. S. (2020). Mathematics for machine learning. Cambridge University Press.

[8] Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into deep learning. Cambridge University Press.

[9] Szeliski, R. (2022). Computer vision: Algorithms and applications, 2nd Edition. Springer.

[10] Torralba, A., Freeman, W., & Isola, P. (2024). Foundations of Computer Vision. MIT Press.

[11] Hamilton, W. L. (2020). Graph representation learning. Synthesis Lectures on Artifical Intel-ligence and Machine Learning, 14(3), 1–159.

[12] Sutton, R. S., & Barto, A. G. (2018). Reinforce- ment learning: An introduction, 2nd Edition. MIT Press.

[13] Graesser, L., & Keng, W. L. (2019). Foundations of deep reinforcement learning. Addison-Wesley Professional.