AILearners
1.0.0
AIMI-CN empfohlen KI-Lernrouten und Kursnotizen
Wir sind eine Gruppe von Enthusiasten, die KI -Lernen lieben! Hier lernen wir zusammen, drängen sich gegenseitig und zeigen gemeinsam ~
Wir haben einige AI-bezogene Notizen aktualisiert ~ einschließlich Algorithmen, maschinelles Lernen, Deep-Lernen und Verarbeitung von natürlichen Sprachen.
AIMI-CN AI-Lern- und Kommunikationsgruppe (es gibt verschiedene KI-bezogene Ressourcen) [1015286623] 
Unser offizielles Konto wird von Zeit zu Zeit auch verschiedene nützliche Informationen vorantreiben, die darauf warten, dass Sie ~ folgen, ~
Durchsuchen Sie das offizielle Konto des WeChat
Führen Sie Sie zum Beginn des Lernens maschinelles Lernen ~
Detaillierte Artikeladresse
Quellcodeadresse
Die Online -Notizen von Nioke zu "Swordsman Angebot" zielen darauf ab, unsere Algorithmusfähigkeiten zu verbessern ~
Detaillierte Artikeladresse
CSDN -Adresse
Öffne die Tür zum maschinellen Lernen für dich ~
Detaillierte Notizen Adresse
Lassen Sie Sie Code verwenden, um maschinelles Lernen zu erleben ~
Kurs detaillierte Notizen Adresse
Praktische Bücher für maschinelles Lernen
Quellcode und Datensatz Download
Detaillierte Einführung in die neuronalen Netzwerke, CNN, RNN und Gan ~
Detaillierte Notizen Adresse
Lassen Sie uns das hochmodernste NLP-Wissen gemeinsam lernen ~
CS224N -Kurs detaillierte Notizen
CS224N Lernmaterialien Extraktionscode: E234
YouTube -Videolink finden Sie in China auf Bilibili
Lernen Sie NLP im tatsächlichen Code ~
Detaillierte Notizen Adresse
Code- und Buch -Download -Adresse
Voraussetzungen zum Betrachten:
Auswahl, Methode, Persistenz <br> Wir alle wissen, dass es jetzt viele Ressourcen gibt. ! !
Nachdrucken einer sehr leistungsstarken KI -Lernroute, die von mehreren sehr fantastischen Organisationen zusammengestellt wurde
Das Erlernen von maschinellem Lernen erfordert eine bestimmte mathematische Grundlage, aber es ist nur eine kleine mathematische Grundlage.
Ich werde analysieren, wie man basierend auf meiner kleinen Erfahrung lernt ---
Das erste, was Sie brauchen, ist zwei aufgeben:
Das ist richtig, es gibt nur viele Informationen auf! Wenn wir mit maschinellem Lernen beginnen möchten, sammeln wir häufig viele Informationen, wie z. B. interne Ressourcen für maschinelles Lernen von XX School, maschinelles Lernen von Einführungen bis hin zu fortgeschrittenen 100 g -Ressourcen, Tutorials für künstliche Intelligenz usw. Oft nehmen wir mehr als zehn oder Hunderte von G Lernressourcen ein und setzen sie dann in eine bestimmte Wolkenscheibe, um sie aufzubewahren, und warten darauf, in Zukunft langsam zu lernen. Wenig wissen die Leute, dass 90% der Menschen nur Informationen sammeln und Informationen sparen und vergessen haben, das Lernen zu eröffnen, nachdem sie ein oder zwei Jahre auf der Cloud -Scheibe gelassen haben. Die Informationen, die auf der Cloud-Scheibe liegen, sind oft nur das Selbstverständnis und das "selbstsichtige" Sicherheitsgefühl, das die meisten Menschen in der Zukunft hart studieren ". Wenn es mit einer großen Menge an Lernmaterialien konfrontiert ist, ist es einfach, in einen Zustand der Verwirrung zu geraten. Oh mein Gott, es gibt so viele Dinge, die ich nicht gelernt habe! Einfach ausgedrückt, desto mehr Entscheidungen treffen Sie, desto einfacher ist es, in ein Dilemma zu geraten, keine Wahl zu haben.
Der erste Schritt besteht also darin, massive Informationen aufzugeben! Wählen Sie stattdessen eine Information aus, die zu Ihnen passt, und studieren Sie sie sorgfältig!
Apropos los, werden viele Menschen denken, dass sie mit dem grundlegendsten Wissen beginnen sollten! Maschinelles Lernen ist eine komplexe Technologie, die Wahrscheinlichkeitstheorie, lineare Algebra, konvexe Optimierung, Computer, Neurowissenschaften und andere Aspekte integriert. Es sind viele theoretische Kenntnisse erforderlich, um maschinelles Lernen gut zu lernen. Ableitung usw. Der Nachteil davon ist jedoch, dass es zeitaufwändig ist und leicht zu einem "Lernen" und der Enthusiasmus für das Lernen führen kann. Da die Beurteilung von Büchern und Ableitungsformeln relativ langweilig ist, ist es weitaus weniger wahrscheinlich, dass Sie Ihre Begeisterung für das Lernen anregen, als selbst ein einfaches Regressionsmodell aufzubauen. Natürlich ist es nicht so, dass Sie kein Grundwissen studieren müssen, grundlegende theoretische Kenntnisse sind sehr wichtig! Es ist nur so, dass es beim Anfängen am besten ein systematisches Verständnis des Top-Level-Frameworks zuerst veranstaltet und dann von der Praxis bis zur Theorie auf das Fehlen nachsehen und die Wissenspunkte für maschinelles Lernen auf gezielte Weise patchen. Von Makro bis Micro von insgesamt bis zum Detail ist es förderlicher zu einem schnellen Start zum maschinellen Lernen! Darüber hinaus spielt es in Bezug auf die Begeisterung für das Lernen auch eine Rolle des "positiven Feedbacks".
Okay, nachdem wir über die beiden "Aufgeben" gesprochen haben, bevor wir mit maschinellem Lernen beginnen, werden wir die Eingangsroute vorstellen.
Ich persönlich denke, dass die mathematischen Grundlagen zuerst benötigt werden: Wahrscheinlichkeitstheorie, Matrix -Theorie und Kalkül. Es spielt keine Rolle, ob Sie es nicht haben.
【KOSTENLOS】 Mathematikunterricht Videoeinführung in die Khan Academy
| Wahrscheinlichkeit | Statistiken | Lineare Algebra |
|---|---|---|
| Khan Academy (Wahrscheinlichkeit) | Khan Academy (Statistik) | Khan Academy (lineare Algebra) |
【Kostenlos】 Maschine/Deep Learning Video- ng
| Maschinelles Lernen | Tiefes Lernen |
|---|---|
| Ng maschinelles Lernen | Neuronale Netzwerke und tiefes Lernen |
Dann empfehle ich eine Gruppe inländischer Bigwigs, die grundlegender sind und Videos für maschinelles Lernen mit etwas einfacherem Verständnis aufzeichnen können als die von Mr. NG.
Maschinelles Lernen praktische Praxis-Apachecn Chinesische Open Source-Organisation
Der allgemeine Inhalt besteht darin, das Buch "Praktisches maschinelles Lernen" zu erlernen
Praktische Bücher für maschinelles Lernen
Praktische Videos für maschinelles Lernen
Grundsätzlich gilt das Abschluss der oben genannten Kurse als einleitende. Als nächstes können Sie Ihre Interessen und Anweisungen ansprechen. Zum Beispiel können Sie weiterhin den Stanford CS231N -Kurs untersuchen:
CS231N: Faltungsnetzwerke für visuelle Erkennung
Wenn Sie sich auf NLP konzentrieren, können Sie den Stanford CS224N -Kurs lernen:
CS224N: Verarbeitung natürlicher Sprache mit tiefem Lernen
Natürlich sind die Kurse von NTU Lee Hongyi auch sehr gut:
Hung-yi Lee
Natürlich werden in diesen inländischen Bigwigs (B -Site) entsprechende Übersetzungen von Videos geben.
Es gibt viele Bücher auf dem Markt, die Technologie für natürliche Sprache einführen, und es gibt auch viele Lernkurse und Websites im Internet. Nach der Untersuchung wurde jedoch festgestellt, dass Stanfords CS224N: Natural Language for Deep Learning von der Mehrheit der NLP -Enthusiasten bevorzugt wurde. Soweit wir wissen, gibt es jedoch keine chinesischen Studiennotizen zum neuesten CS224N -Kurs im Jahr 2019. Um besser mit NLP Scientific Research zu beginnen, sind wir hier, um unsere Lernerfahrung mit Ihnen zu teilen und zu hoffen, mit Ihnen zu lernen.
Die natürliche Sprachverarbeitung (NLP) ist eine der wichtigsten Technologien im Informationszeitalter und ein wesentlicher Bestandteil der künstlichen Intelligenz. NLP -Anwendungen sind überall, weil Menschen fast in Sprache kommunizieren: Websuche, Werbung, E -Mail, Kundendienst, Sprachübersetzung, medizinische Berichte usw. In den letzten Jahren haben Deep Learning-Methoden bei vielen verschiedenen NLP-Aufgaben eine sehr hohe Leistung erzielt, wobei ein einzelnes End-to-End-Neuralmodell verwendet wird, ohne dass traditionelles, aufgabenspezifisches Feature-Engineering erforderlich ist. Es gibt zwei Hauptunterschiede in den Kursen 2019 im Vergleich zur Vergangenheit. Verwenden Sie zunächst Pytorch anstelle von Tensorflow, und zweitens ist die Kursanordnung näher. In diesem Kurs lernen, implementieren und verstehen Sie die Fähigkeiten, die er benötigt, um seine eigenen neuronalen Netzwerkmodelle zu machen.
1. Verstehen Sie die grundlegende Verwendung von Python
2. Verstehen Sie den grundlegenden Berechnungs-, linearen Algebra- und Wahrscheinlichkeitsstatistiken
3.. Haben Sie ein gewisses Verständnis des maschinellen Lernens
4. Haben Sie ein starkes Interesse am NLP -Lernen
Wir müssen jedoch nicht von Grund auf neu lernen, was unser Interesse am Lernen verringert. Solange wir weiterhin die Mängel unserer eigenen Voraussetzungen im Lernprozess ausmachen, werden wir definitiv die Tür des NLP -Lernens betreten.
Organisationslogo:
