算法学习再进阶书单：深度学习（上）
机器学习是算法的进阶阶段，机器学习再进阶，就是深度学习，其实深度学习只是机器学习的一种延伸方向，其他深入延伸的方向还包括强化学习，元学习，联邦学习，迁移学习等，都是以机器学习的基本理论为基础，也就是统计学和概率学理论为基础的AI学习方法，以适应于各种学习和应用场景。
当然大名鼎鼎的还是深度学习，用到的也是非常广泛，有些同学上来j接触实际项目就是用到深度学习，直接就可以从深度学习开始学习和应用，但是其实这样会有些基础不够扎实了，掌握来龙去脉，还是需要回过头来温习算法、机器学习的知识和框架才行。
那么学习路线总结下来还是：
基础数学+数据结构=》基础算法=》机器学习算法=》深度学习（强化学习，联邦学习，集成学习，迁移学习，元学习等）
那么这么多种学习方法，会有什么区别呢？
机器学习：大家其实都是机器学习，机器学习是大的概念，也是指之前的经典机器学习算法，没有那么多层的神经网络的学习方法。
深度学习：顾名思义就是有非常多层神经网络的学习方法，来源于机器学习的一个分支：人工神经网络，用来模仿人的大脑的学习和思考方式，通过一个一个神经元，进而形成一层层的神经网，进行神经信号的传递来一层层的逐渐学习，抽象，寻找规律和模式，从而总结成认知。当年的人工神经元网络研究一度停滞，主要是由于训练数据量不够大，速度不够快，准确率和速度都达不到理想要求，随着芯片和大数据的革命性进展，深度学习横空出世，增加了非常多的网络层，DNN，CNN，RNN，LSTM不断出现，层次越来越多，甚至混合使用，使得深度网络能够具有非常强的学习能力，尤其是卷积神经网络（CNN）的出现，极大提升学习抽象特征的能力，使得深度学习在超大数据集上的训练的模型，在人脸，图像，活体和语音等的识别上，识别率能够达到99.9...%，而且速度很快，直接满足现实需求。
强化学习：强化学习其实是机器学习的另一个分支，用来用自己的数据集训练，不断反馈，在用自己的数据集验证识别，从而提升自身的模型能力，属于一种无监督学习（区别于深度学习，深度学习是用一个数据集训练，用另一个数据集验证识别，属于有监督学习）。这样就可以实现自己的进化和演进，类似于人类的学习和自我提高的过程。
联邦学习：联邦学习则进入了另一个领域，就是隐私计算，试图让大家在不知道数据是啥的情况下进行学习和计算，得到正确的结果，保护数据持有者的隐私。
集成学习：集成学习类似于随机森林，有多种机器学习算法集成起来一块来完成学习任务。
迁移学习：迁移学习更有意思，他通过对一种模型进行学习训练，来得到另一种模型的参数。
元学习：元学习则是解决更形而上的问题，如何学会怎么去学习，也就是别人训练数据来得到有效模型，他则训练模型，来教会怎么设计模型。
GAN：生成对抗网络，这个是通过两个网络进行竞争和反馈（生成网络和判别网络），从而使得模型自动变得精确。用GAN可以合成逼真的人脸图像之类的。
先简单说这几句，其实这么几句话没办法准确概括这些具有复杂的数据和算法系统的学习方法，还需要通过经典的书籍循序渐进的进行学习和了解。有精力的最好系统学习，精力有限的可以选择一种方向钻研，其他了解。
本部分学习路线：
深度学习数学基础=》深度学习=》深度学习框架=》强化学习等。
书单待续。。。在（下）中全面介绍
下面先给个深度学习四大名著，让大家先有个了解：
包括著名的花书，蜥蜴书，以及经典的Python机器学习和深度学习的书籍，详细的书单下一篇文章进行系统介绍。