AILearners
1.0.0
AIMI-CN a recommandé des itinéraires d'apprentissage et des notes de cours
Nous sommes un groupe de passionnés qui aiment l'apprentissage de l'IA! Ici, nous apprenons ensemble, nous nous entrandons et nous nous présentons ensemble ~
Nous avons mis à jour certaines notes liées à l'IA ~ y compris les algorithmes, l'apprentissage automatique, l'apprentissage en profondeur et le traitement du langage naturel.
AIMI-CN AI Learning and Communication Group (il existe diverses ressources liées à l'IA) [1015286623] 
Notre compte officiel poussera également diverses informations utiles de temps à autre en attendant que vous suiviez ~
Recherchez le compte officiel de WeChat: «AI-Ming3526» ou «vision par ordinateur» pour obtenir plus de ressources d'apprentissage automatique de direction de l'IA
Vous guide au début de l'apprentissage de l'apprentissage automatique ~
Adresse de l'article détaillé
Adresse de code source
Les notes en ligne de Niuke sur "Swordsman Offre" visent à améliorer nos capacités d'algorithme ~
Adresse de l'article détaillé
Adresse CSDN
Ouvrez la porte à l'apprentissage automatique pour vous ~
Adresse des notes détaillées
Laissez-vous utiliser du code pour vivre l'apprentissage automatique ~
Adresse des notes détaillées du cours
Practical Machine Learning Books
Code source et téléchargement de l'ensemble de données
Introduction détaillée à ce que sont les réseaux de neurones, CNN, RNN et Gan ~
Adresse des notes détaillées
Apprenons ensemble les connaissances NLP les plus de pointe ~
CS224N COURS Remarques détaillées
CS224N Code d'extraction des matériaux d'apprentissage: E234
Le lien vidéo YouTube peut être trouvé en Chine sur Bilibili
Apprendre la PNL dans le code réel ~
Adresse des notes détaillées
Adresse de téléchargement de code et de livre
Prérequis pour la visualisation:
Choix, méthode, persévérance <br> Nous savons tous qu'il existe maintenant de nombreuses ressources. ! !
Réimpression d'une voie d'apprentissage très puissante compilée par plusieurs organisations très impressionnantes | Itinéraire d'apprentissage complet de l'IA, le tri des ressources le plus détaillé!
L'apprentissage de la machine nécessite une certaine base mathématique, mais c'est juste un petit fondement mathématique.
Je vais analyser comment apprendre en fonction de ma petite expérience ---
La première chose dont vous avez besoin est deux abandones:
C'est vrai, c'est juste abandonner beaucoup d'informations! Lorsque nous voulons commencer avec l'apprentissage automatique, nous collectons souvent beaucoup d'informations, telles que xx les ressources internes de l'apprentissage automatique, de l'apprentissage automatique de l'introduction aux ressources avancées de 100 g, xx tutoriels d'intelligence artificielle, etc. Plusieurs fois, nous prenons plus de dix ou des centaines de g de ressources d'apprentissage, puis les mettons dans un certain disque cloud pour les stocker, attendant d'apprendre lentement à l'avenir. Les gens ne savent pas que 90% des gens collectent des informations et enregistrent des informations, et ont oublié d'ouvrir l'apprentissage après l'avoir laissé sur le disque cloud pendant un an ou deux. L'information qui se trouve sur le disque de nuage est souvent juste l'autofort et le sentiment de sécurité "d'auto-sécurité" que la plupart des gens "étudient dur à l'avenir". De plus, face à une grande quantité de matériel d'apprentissage, il est facile de tomber dans un état de confusion. Oh mon Dieu, il y a tellement de choses que je n'ai pas apprises! Autrement dit, plus vous faites de choix, plus il est facile de tomber dans un dilemme de ne pas avoir le choix.
Ainsi, la première étape consiste à abandonner des quantités massives d'informations! Au lieu de cela, choisissez une information qui vous convient vraiment et étudiez-la attentivement!
En parlant de commencer, beaucoup de gens penseront qu'ils devraient commencer par les connaissances les plus élémentaires! L'apprentissage automatique est une technologie complexe qui intègre la théorie des probabilités, l'algèbre linéaire, l'optimisation convexe, l'ordinateur, les neurosciences et d'autres aspects. Il y a beaucoup de connaissances théoriques nécessaires pour bien apprendre l'apprentissage automatique. dérivation, etc. Cependant, l'inconvénient de le faire est qu'il prend du temps et peut facilement provoquer un «apprentissage mou» et dissiper l'enthousiasme de l'apprentissage. Parce que juger des livres et des formules de dérivation est relativement ennuyeux, il est beaucoup moins susceptible de stimuler votre enthousiasme pour l'apprentissage que de construire vous-même un modèle de régression simple. Bien sûr, ce n'est pas que vous n'avez pas besoin d'étudier les connaissances de base, les connaissances théoriques de base sont très importantes! C'est juste que lorsque vous commencez, il est préférable d'avoir une compréhension systématique du cadre de niveau supérieur d'abord, puis de la pratique à la théorie, de vérifier les points manquants et de patcher les points de connaissances d'apprentissage automatique de manière ciblée. De la macro au micro, de l'ensemble au détail, il est plus propice à un début rapide vers l'apprentissage automatique! De plus, en termes d'enthousiasme pour l'apprentissage, il joue également un rôle de "rétroaction positive".
D'accord, après avoir parlé des deux "abandon" avant de commencer avec l'apprentissage automatique, nous présenterons la voie d'entrée.
Je pense personnellement que les fondements mathématiques qui sont nécessaires en premier: théorie des probabilités, théorie de la matrice et calcul. Peu importe si vous ne l'avez pas, apprenez simplement en regardant.
【GRATUIT】 Mathématiques Enseignement vidéo-introduction à Khan Academy
| Probabilité | statistiques | Algèbre linéaire |
|---|---|---|
| Khan Academy (probabilité) | Académie Khan (statistiques) | Khan Academy (algèbre linéaire) |
【GRATUIT】 Machine / Deep Learning Video- ng
| Apprentissage automatique | Apprentissage en profondeur |
|---|---|
| Ng Machine Learning | Réseaux de neurones et apprentissage en profondeur |
Ensuite, je recommande un groupe de gros bonnets domestiques qui sont plus basiques et peuvent enregistrer des vidéos d'apprentissage automatique avec un peu plus facile à comprendre que celle de M. Ng.
Pratique pratique de l'apprentissage automatique-Apachecn Organisation open source chinoise
Le contenu général est d'apprendre le livre "Apprentissage automatique pratique"
Practical Machine Learning Books
Vidéos pratiques d'apprentissage automatique
Fondamentalement, la réalisation des cours ci-dessus est considérée comme une introduction. Ensuite, vous pouvez cibler vos intérêts et instructions. Par exemple, vous pouvez continuer à étudier le cours de Stanford CS231N:
CS231N: Réseaux de neurones convolutionnels pour la reconnaissance visuelle
Si vous vous concentrez sur la PNL, vous pouvez apprendre le cours Stanford CS224N:
CS224N: Traitement du langage naturel avec apprentissage en profondeur
Bien sûr, les cours de NTU Lee Hongyi sont également très bons:
Hung-yi Lee
Bien sûr, il y aura des traductions correspondantes de vidéos dans ces bigwigs nationaux (site B).
Il existe de nombreux livres sur le marché qui introduisent la technologie de traitement du langage naturel, et il existe également de nombreux cours d'apprentissage et sites Web sur Internet. Cependant, après enquête, il a été constaté que le traitement CS224N de Stanford: le langage naturel de l'apprentissage en profondeur a été favorisé par la majorité des amateurs de PNL. Cependant, à notre connaissance, il n'y a pas de notes d'étude chinoises sur le dernier cours CS224N en 2019. Par conséquent, afin de mieux commencer avec la recherche scientifique NLP, nous sommes là pour partager notre expérience d'apprentissage avec vous et espérons apprendre avec vous.
Le traitement du langage naturel (PNL) est l'une des technologies les plus importantes à l'ère de l'information et un élément clé de l'intelligence artificielle. Les applications PNL sont partout parce que les gens communiquent presque dans la langue: recherche Web, publicité, e-mail, service client, traduction linguistique, rapports médicaux, etc. Ces dernières années, les méthodes d'apprentissage en profondeur ont atteint des performances très élevées dans de nombreuses tâches NLP différentes, en utilisant un seul modèle neuronal de bout en bout sans avoir besoin d'une ingénierie de fonctionnalités traditionnelles et spécifiques aux tâches. Il existe deux principales différences dans les cours de 2019 par rapport au passé. Tout d'abord, utilisez Pytorch au lieu de TensorFlow, et deuxièmement, la disposition du cours est plus proche. Grâce à ce cours, tout le monde apprendra, mettra en œuvre et comprendra les compétences dont ils ont besoin pour faire leurs propres modèles de réseau neuronal.
1. Comprendre l'utilisation de base de Python
2. Comprendre les statistiques de base du calcul, de l'algèbre linéaire et des statistiques de probabilité
3. Avoir une certaine compréhension de l'apprentissage automatique
4. Ayez un fort intérêt pour l'apprentissage des PNL
Cependant, nous n'avons pas besoin de commencer à apprendre de zéro, ce qui réduira notre intérêt pour l'apprentissage. Par conséquent, tant que nous continuons à compenser les lacunes de nos propres conditions préalables dans le processus d'apprentissage, nous entrerons certainement dans la porte de l'apprentissage de la PNL.
Logo de l'organisation:
