AILearners
1.0.0
AIMI-CN Rutas de aprendizaje de IA recomendadas y notas del curso
¡Somos un grupo de entusiastas que aman el aprendizaje de IA! Aquí aprendemos juntos, nos instamos y presumimos juntos ~
Hemos actualizado algunas notas relacionadas con la IA ~ incluidos los algoritmos, el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural.
AIMI-CN AI Learning and Communication Group (hay varios recursos relacionados con la IA) [1015286623] 
Nuestra cuenta oficial también presionará varias información útil de vez en cuando esperando que siga ~
Busque en la cuenta oficial de WeChat: 'Ai-Ming3526' o 'Visión de la computadora' para obtener más recursos de aprendizaje automático de la dirección de IA
Guiarlo al comienzo del aprendizaje del aprendizaje automático ~
Dirección detallada del artículo
Dirección del código fuente
Las notas en línea de Niuke sobre la "Oferta de Swordsman" tienen como objetivo mejorar nuestras capacidades de algoritmo ~
Dirección detallada del artículo
dirección CSDN
Abre la puerta al aprendizaje automático para ti ~
Dirección de notas detalladas
Deje usar código para experimentar el aprendizaje automático ~
Curso Dirección de notas detalladas
Libros prácticos de aprendizaje automático
Descarga del código fuente y conjunto de datos
Introducción detallada a las redes neuronales, CNN, RNN y Gan ~
Dirección de notas detalladas
Aprendamos el conocimiento de PNL más de vanguardia juntos ~
Notas detalladas del curso CS224N
Código de extracción de materiales de aprendizaje CS224N: E234
El enlace de video de YouTube se puede encontrar en China en Bilibili
Aprender PNL en código real ~
Dirección de notas detalladas
Dirección de descarga de código y libro
Prerrequisitos para ver:
Elección, método, persistencia <br> Todos sabemos que ahora hay muchos recursos. ! !
Reimpresión de una ruta de aprendizaje de IA muy poderosa compilada por varias organizaciones muy impresionantes |
El aprendizaje automático requiere una cierta base matemática, pero es solo una pequeña base matemática.
Analizaré cómo aprender en función de mi pequeña experiencia ---
Lo primero que necesitas es que dos se rinden:
Así es, ¡solo está renunciando a mucha información! Cuando queremos comenzar con el aprendizaje automático, a menudo recopilamos mucha información, como XX School Machine Learning Recursos internos, aprendizaje automático de recursos introductorios a 100 g, tutoriales de inteligencia artificial xx, etc. Muchas veces, tomamos más de diez o cientos de G de recursos de aprendizaje, y luego los colocamos en un determinado disco de la nube para almacenarlos, esperando aprender lentamente en el futuro. Poco saben las personas que el 90% de las personas simplemente recopilan información y guardan información, y se han olvidado de abrir el aprendizaje después de dejarlo en el disco de la nube durante un año o dos. La información que se encuentra en el disco de la nube a menudo es solo la autocomfort y el sentido de seguridad "autosuficiente" que la mayoría de las personas "estudian mucho en el futuro". Además, cuando se enfrenta a una gran cantidad de materiales de aprendizaje, es fácil caer en un estado de confusión. ¡Dios mío, hay tantas cosas que no he aprendido! En pocas palabras, cuantas más opciones hagas, más fácil será caer en un dilema de no tener otra opción.
Entonces, ¡el primer paso es renunciar a grandes cantidades de información! En su lugar, ¡elija una información que realmente se adapte a usted y estudie con cuidado!
¡Hablando de comenzar, muchas personas pensarán que deberían comenzar con el conocimiento más básico! El aprendizaje automático es una tecnología compleja que integra teoría de probabilidad, álgebra lineal, optimización convexa, computadora, neurociencia y otros aspectos. Se requiere mucho conocimiento teórico para aprender bien el aprendizaje automático. derivación, etc. Sin embargo, la desventaja de hacer esto es que lleva mucho tiempo y puede causar fácilmente el "aprendizaje flojo" y disipar el entusiasmo por el aprendizaje. Debido a que juzgar libros y fórmulas de derivación es relativamente aburrida, es mucho menos probable que estimule su entusiasmo por el aprendizaje que en la construcción de un modelo de regresión simple usted mismo. Por supuesto, no es que no necesite estudiar el conocimiento básico, ¡el conocimiento teórico básico es muy importante! Es solo que al comenzar, es mejor tener una comprensión sistemática del marco de nivel superior primero, y luego, desde la práctica hasta la teoría, verificar la falta y parche los puntos de conocimiento del aprendizaje automático de manera específica. Desde la macro hasta Micro, de general a detalle, ¡es más propicio para un comienzo rápido al aprendizaje automático! Además, en términos de entusiasmo por el aprendizaje, también juega un papel de "retroalimentación positiva".
De acuerdo, después de hablar sobre los dos "rendirse" antes de comenzar con el aprendizaje automático, presentaremos la ruta de entrada.
Personalmente, creo que los cimientos matemáticos que se necesitan primero: teoría de probabilidad, teoría de matriz y cálculo. No importa si no lo tienes, solo aprende mientras mira.
【Free】 Matemática Enseñanza de video-introducción a la Academia Khan
| Probabilidad | estadística | Álgebra lineal |
|---|---|---|
| Academia Khan (probabilidad) | Academia Khan (estadísticas) | Academia Khan (álgebra lineal) |
【Video gratuito de la máquina/aprendizaje profundo
| Aprendizaje automático | Aprendizaje profundo |
|---|---|
| Ng Aprendizaje automático | Redes neuronales y aprendizaje profundo |
Luego recomiendo un grupo de grandes peces gordos nacionales que sean más básicos y puedan grabar videos de aprendizaje automático con un poco más fácil de entender que los del Sr. Ng.
Aprendizaje automático Práctica práctica-APACHECN Organización de código abierto chino
El contenido general es aprender el libro "Aprendizaje automático práctico"
Libros prácticos de aprendizaje automático
Videos prácticos de aprendizaje automático
Básicamente, completar los cursos anteriores se considera introductorio. A continuación, puede apuntar a sus intereses e instrucciones. Por ejemplo, puede continuar estudiando el curso Stanford CS231N:
CS231N: Redes neuronales convolucionales para el reconocimiento visual
Si te enfocas en PNL, puedes aprender el curso de Stanford CS224N:
CS224N: Procesamiento del lenguaje natural con aprendizaje profundo
Por supuesto, los cursos de Ntu Lee Hongyi también son muy buenos:
Hung-yi Lee
Por supuesto, habrá traducciones correspondientes de videos en estos graves grandes nacionales (sitio B).
Hay muchos libros en el mercado que introducen tecnología de procesamiento del lenguaje natural, y también hay muchos cursos de aprendizaje y sitios web en Internet. Sin embargo, después de la investigación, se descubrió que la mayoría de los entusiastas de las PNL han favorecido el procesamiento del lenguaje natural para el aprendizaje profundo. Sin embargo, hasta donde sabemos, no hay notas de estudio chinas sobre el último curso CS224N en 2019. Por lo tanto, para comenzar mejor con la investigación científica de PNL, estamos aquí para compartir nuestra experiencia de aprendizaje con usted y esperamos aprender con usted.
El procesamiento del lenguaje natural (PNL) es una de las tecnologías más importantes en la era de la información y una parte clave de la inteligencia artificial. Las aplicaciones de PNL están en todas partes porque las personas se comunican casi en el lenguaje: búsqueda en la web, publicidad, correo electrónico, servicio al cliente, traducción de idiomas, informes médicos, etc. En los últimos años, los métodos de aprendizaje profundo han logrado un rendimiento muy alto en muchas tareas de PNL diferentes, utilizando un solo modelo neuronal de extremo a extremo sin la necesidad de ingeniería de características tradicional y específica de tareas. Hay dos diferencias principales en los cursos de 2019 en comparación con el pasado. Primero, use Pytorch en lugar de TensorFlow, y segundo, el arreglo del curso está más cerca. A través de este curso, todos aprenderán, implementarán y comprenderán las habilidades que necesitan para hacer sus propios modelos de redes neuronales.
1. Comprenda el uso básico de Python
2. Comprender el cálculo básico, el álgebra lineal y las estadísticas de probabilidad
3. Tenga una cierta comprensión del aprendizaje automático
4. Tener un gran interés en el aprendizaje de PNL
Sin embargo, no necesitamos comenzar a aprender desde cero, lo que reducirá nuestro interés en el aprendizaje. Por lo tanto, mientras continuemos compensando las deficiencias de nuestros propios requisitos previos en el proceso de aprendizaje, definitivamente entraremos en la puerta del aprendizaje de PNL.
Logotipo de organización:
