基礎知識
1、數學
數學是學不完的,也沒有幾個人能像博士一樣紮實地學好數學基礎,入門人工智能領域,其實只需要掌握必要的基礎知識就好。AI的數學基礎最主要是高等數學、線性代數、概率論與數理統計三門課程,這三門課程是本科必修的。這裏整理了一個簡易的數學入門文章:
2、統計學
入門教材:《深入淺出統計學》
進階教材:《商務與經濟統計》
推薦視頻:《統計學》
3、編程
入門人工智能領域,首推Python這門編程語言。
1) Python安裝:
Python安裝包,我推薦下載Anaconda,Anaconda是一個用於科學計算的Python發行版,支持 Linux, Mac, Windows系統,提供了包管理與環境管理的功能,可以很方便地解決多版本Python並存、切換以及各種第三方包安裝問題。
下載地址添加鏈接描述:Anaconda (python 3.7版本)
IDE:推薦使用pycharm,參考我上一篇安裝激活教程。
2)python入門的資料推薦
- 廖雪峯python學習筆記
- python入門筆記,提取碼: 2bzh。
- 南京大學python視頻教程
看完這三個資料後python基本達到入門水平,可以使用scikit-learn等機器學習庫來解決機器學習的問題了。
3)補充
機器學習
公開課:吳恩達《Machine Learning》
這絕對是機器學習入門的首選課程,沒有之一!即便你沒有紮實的機器學習所需的紮實的概率論、線性代數等數學基礎,也能輕鬆上手這門機器學習入門課,並體會到機器學習的無窮趣味。
中文視頻在網易雲課堂。
公開課:吳恩達 CS229
吳恩達在斯坦福教授的機器學習課程 CS229 與 吳恩達在 Coursera 上的《Machine Learning》相似,但是有更多的數學要求和公式的推導,難度稍難一些。該課程對機器學習和統計模式識別進行了廣泛的介紹。
速查表
這份給力的資源貢獻者是一名斯坦福的畢業生 Shervine Amidi。作者整理了一份超級詳細的關於 CS229的速查表。
林軒田《機器學習基石》
臺灣大學林軒田老師的《機器學習基石》課程由淺入深、內容全面,基本涵蓋了機器學習領域的很多方面。其作爲機器學習的入門和進階資料非常適合。而且林老師的教學風格也很幽默風趣,總讓讀者在輕鬆愉快的氛圍中掌握知識。這門課比 Ng 的《Machine Learning》稍難一些,側重於機器學習理論知識。
公開課:林軒田《機器學習技法》
《機器學習技法》課程是《機器學習基石》的進階課程。主要介紹了機器學習領域經典的一些算法,包括支持向量機、決策樹、隨機森林、神經網絡等等。難度要略高於《機器學習基石》,具有很強的實用性。
書籍:《機器學習》
周志華的《機器學習》被大家親切地稱爲“西瓜書”。這本書非常經典,講述了機器學習核心數學理論和算法,適合有作爲學校的教材或者中階讀者自學使用,入門時學習這本書籍難度稍微偏高了一些。
配合《機器學習實戰》一起學習,效果更好!
書籍:《Scikit-Learn 與 TensorFlow 機器學習實用指南》
在經過前面的學習之後,這本《Scikit-Learn 與 TensorFlow 機器學習實用指南》非常適合提升你的機器學習實戰編程能力。
這本書分爲兩大部分,第一部分介紹機器學習基礎算法,每章都配備 Scikit-Learn 實操項目;第二部分介紹神經網絡與深度學習,每章配備 TensorFlow 實操項目。如果只是機器學習,可先看第一部分的內容。
實戰:Kaggle 比賽
比賽是提升自己機器學習實戰能力的最有效的方式,首選 Kaggle 比賽。
工具:Scikit-Learn 官方文檔
Scikit-Learn 作爲機器學習一個非常全面的庫,是一份不可多得的實戰編程手冊。
深度學習
公開課:吳恩達《Deep Learning》
在吳恩達開設了機器學習課程之後,發佈的《Deep Learning》課程也備受好評,吳恩達老師的課程最大的特點就是將知識循序漸進的傳授給你,是入門學習不可多得良好視頻資料。
整個專題共包括五門課程:01.神經網絡和深度學習;02.改善深層神經網絡-超參數調試、正則化以及優化;03.結構化機器學習項目;04.卷積神經網絡;05.序列模型。
公開課:Fast.ai《程序員深度學習實戰》
說到深度學習的公開課,與吳恩達《Deep Learning》並駕齊驅的另一門公開課便是由Fast.ai出品的《程序員深度學習實戰》。這門課最大的特點便是“自上而下”而不是“自下而上”,是絕佳的通過實戰學習深度學習的課程。
公開課:CS230 Deep Learning
斯坦福的深度學習課程CS230在4月2日剛剛開課,對應的全套PPT也隨之上線。從內容來看,今年的課程與去年的差別不大,涵蓋了CNNs, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization 等深度學習的基本模型,涉及醫療、自動駕駛、手語識別、音樂生成和自然語言處理等領域。
Datawhale整理了該門課程的詳細介紹及參考資料:
吳恩達CS230深度學習
書籍:神經網絡與深度學習 - 復旦邱錫鵬
本書是入門深度學習領域的極佳教材,主要介紹了神經網絡與深度學習中的基礎知識、主要模型(前饋網絡、卷積網絡、循環網絡等)以及在計算機視覺、自然語言處理等領域的應用。
書籍:《深度學習 500 問》
DeepLearning-500-questions,作者是川大的一名優秀畢業生談繼勇。該項目以深度學習面試問答形式,收集了 500 個問題和答案。內容涉及了常用的概率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題,該書目前尚未完結,卻已經收穫了Github 2.4w stars。
Papers with Code
這個網站叫做 Browse state-of-the-art。它將 ArXiv 上的最新深度學習論文與 GitHub 上的開源代碼聯繫起來。該項目目前包含了 651 個排行榜,1016 個深度學習任務,795 個數據集,以及重磅的 10257 個含復現代碼的優秀論文。簡直就是一個尋找論文和代碼的利器。它將 1016 個深度學習任務分成了 16 大類,涉及了深度學習的各個方面。
Deep Learning Papers 閱讀路線
如果你是深度學習領域的新手,你可能會遇到的第一個問題是“我應該從哪篇論文開始閱讀?”下面是一個深入學習論文的閱讀路線圖!
Deep Learning Object Detection
目標檢測(Object Detection)是深度學習 CV 領域的一個核心研究領域和重要分支。縱觀 2013 年到 2019 年,從最早的 R-CNN、Fast R-CNN 到後來的 YOLO v2、YOLO v3 再到今年的 M2Det,新模型層出不窮,性能也越來越好!
本資源對目標檢測近幾年的發展和相關論文做出一份系統介紹,總結一份超全的文獻 paper 列表。