| AI学习路线，少走弯路，最详细整理。 | 您所在的位置：网站首页 › python人工智能学路线 › AI学习路线，少走弯路，最详细整理。 |
AI学习路线，少走弯路，最详细整理。
|
基础知识
数学是学不完的，也没有几个人能像博士一样扎实地学好数学基础，入门人工智能领域，其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程是本科必修的。这里整理了一个简易的数学入门文章： 数学基础：高等数学 数学基础：线性代数 数学基础：概率论与数理统计 2、统计学入门教材：《深入浅出统计学》 进阶教材：《商务与经济统计》 推荐视频：《统计学》 3、编程入门人工智能领域，首推Python这门编程语言。 1） Python安装： Python安装包，我推荐下载Anaconda，Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。 下载地址添加链接描述：Anaconda （python 3.7版本） IDE：推荐使用pycharm，参考我上一篇安装激活教程。 2）python入门的资料推荐 廖雪峰python学习笔记python入门笔记，提取码: 2bzh。南京大学python视频教程看完这三个资料后python基本达到入门水平，可以使用scikit-learn等机器学习库来解决机器学习的问题了。 3）补充 代码规范numpy练习题pandas练习题 机器学习
课程主页 中文视频在网易云课堂。 中文笔记及作业代码 公开课：吴恩达 CS229 吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似，但是有更多的数学要求和公式的推导，难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。 课程主页 中文视频 中文笔记 速查表 这份给力的资源贡献者是一名斯坦福的毕业生 Shervine Amidi。作者整理了一份超级详细的关于 CS229的速查表。 作业代码 林轩田《机器学习基石》 台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。 中文视频 中文笔记 公开课：林轩田《机器学习技法》 《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。 中文视频 中文笔记 书籍：《机器学习》 周志华的《机器学习》被大家亲切地称为“西瓜书”。这本书非常经典，讲述了机器学习核心数学理论和算法，适合有作为学校的教材或者中阶读者自学使用，入门时学习这本书籍难度稍微偏高了一些。
读书笔记 公式推导 课后习题 书籍：《Scikit-Learn 与 TensorFlow 机器学习实用指南》 在经过前面的学习之后，这本《Scikit-Learn 与 TensorFlow 机器学习实用指南》非常适合提升你的机器学习实战编程能力。 这本书分为两大部分，第一部分介绍机器学习基础算法，每章都配备 Scikit-Learn 实操项目；第二部分介绍神经网络与深度学习，每章配备 TensorFlow 实操项目。如果只是机器学习，可先看第一部分的内容。
实战：Kaggle 比赛 比赛是提升自己机器学习实战能力的最有效的方式，首选 Kaggle 比赛。 Kaggle主页 Kaggle路线 工具：Scikit-Learn 官方文档 Scikit-Learn 作为机器学习一个非常全面的库，是一份不可多得的实战编程手册。 官方文档 中文文档（0.19） 深度学习
在吴恩达开设了机器学习课程之后，发布的《Deep Learning》课程也备受好评，吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你，是入门学习不可多得良好视频资料。 整个专题共包括五门课程：01.神经网络和深度学习；02.改善深层神经网络-超参数调试、正则化以及优化；03.结构化机器学习项目；04.卷积神经网络；05.序列模型。 课程视频：网易云课堂 课程视频：Coursera 课程笔记 参考论文 公开课：Fast.ai《程序员深度学习实战》 说到深度学习的公开课，与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由Fast.ai出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上”,是绝佳的通过实战学习深度学习的课程。 课程视频 课程笔记 公开课：CS230 Deep Learning 斯坦福的深度学习课程CS230在4月2日刚刚开课，对应的全套PPT也随之上线。从内容来看，今年的课程与去年的差别不大，涵盖了CNNs, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization 等深度学习的基本模型，涉及医疗、自动驾驶、手语识别、音乐生成和自然语言处理等领域。 Datawhale整理了该门课程的详细介绍及参考资料: 吴恩达CS230深度学习 书籍：神经网络与深度学习 - 复旦邱锡鹏 本书是入门深度学习领域的极佳教材，主要介绍了神经网络与深度学习中的基础知识、主要模型（前馈网络、卷积网络、循环网络等）以及在计算机视觉、自然语言处理等领域的应用。 《神经网络与深度学习》 书籍：《深度学习 500 问》 DeepLearning-500-questions，作者是川大的一名优秀毕业生谈继勇。该项目以深度学习面试问答形式，收集了 500 个问题和答案。内容涉及了常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题，该书目前尚未完结，却已经收获了Github 2.4w stars。 项目地址 Papers with Code 这个网站叫做 Browse state-of-the-art。它将 ArXiv 上的最新深度学习论文与 GitHub 上的开源代码联系起来。该项目目前包含了 651 个排行榜，1016 个深度学习任务，795 个数据集，以及重磅的 10257 个含复现代码的优秀论文。简直就是一个寻找论文和代码的利器。它将 1016 个深度学习任务分成了 16 大类，涉及了深度学习的各个方面。 主页地址 Deep Learning Papers 阅读路线 如果你是深度学习领域的新手，你可能会遇到的第一个问题是“我应该从哪篇论文开始阅读？”下面是一个深入学习论文的阅读路线图！ GitHub 项目地址 Deep Learning Object Detection 目标检测（Object Detection）是深度学习 CV 领域的一个核心研究领域和重要分支。纵观 2013 年到 2019 年，从最早的 R-CNN、Fast R-CNN 到后来的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型层出不穷，性能也越来越好！ 本资源对目标检测近几年的发展和相关论文做出一份系统介绍，总结一份超全的文献 paper 列表。 GitHub 项目地址 |
公开课：吴恩达《Machine Learning》 这绝对是机器学习入门的首选课程，没有之一！即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础，也能轻松上手这门机器学习入门课，并体会到机器学习的无穷趣味。
配合《机器学习实战》一起学习，效果更好！
全书代码
公开课：吴恩达《Deep Learning》
【本文地址】