AILearners
1.0.0
AIMI-CN merekomendasikan rute pembelajaran AI dan catatan kursus
Kami adalah sekelompok penggemar yang menyukai AI Learning! Di sini kita belajar bersama, saling mendesak, dan pamer bersama ~
Kami telah memperbarui beberapa catatan terkait AI ~ termasuk algoritma, pembelajaran mesin, pembelajaran mendalam, dan pemrosesan bahasa alami.
Kelompok Pembelajaran dan Komunikasi AIMI-CN (ada berbagai sumber terkait AI) [1015286623] 
Akun resmi kami juga akan mendorong berbagai informasi berguna dari waktu ke waktu menunggu Anda mengikuti ~
Cari akun resmi WeChat: 'AI-MING3526' atau 'Visi Komputer' untuk mendapatkan lebih banyak sumber belajar mesin AI Direction
Memandu Anda ke awal pembelajaran mesin belajar ~
Alamat artikel terperinci
Alamat kode sumber
Catatan Online Niuke tentang "Pedang Penawaran" bertujuan untuk meningkatkan kemampuan algoritma kami ~
Alamat artikel terperinci
Alamat CSDN
Buka pintu untuk belajar mesin untuk Anda ~
Alamat catatan terperinci
Memungkinkan Anda menggunakan kode untuk mengalami pembelajaran mesin ~
Alamat Catatan Rinci Kursus
Buku Pembelajaran Mesin Praktis
Kode Sumber dan Unduhan Dataset
Pengantar Detail tentang Apa itu Jaringan Saraf, CNN, RNN, dan Gan ~
Alamat catatan terperinci
Mari kita pelajari pengetahuan NLP yang paling mutakhir bersama ~
Catatan Detail Kursus CS224N
Kode Ekstraksi Bahan Pembelajaran CS224N: E234
Tautan video YouTube dapat ditemukan di Cina di Bilibili
Pelajari NLP dalam kode aktual ~
Alamat catatan terperinci
Kode dan alamat unduhan buku
Prasyarat untuk dilihat:
Pilihan, metode, kegigihan <br> Kita semua tahu bahwa ada banyak sumber daya sekarang. Lai Lai
Mencetak ulang rute pembelajaran AI yang sangat kuat yang disusun oleh beberapa organisasi yang sangat luar biasa |
Pembelajaran Mesin Belajar membutuhkan fondasi matematika tertentu, tetapi itu hanya sedikit fondasi matematika.
Saya akan menganalisis cara belajar berdasarkan pengalaman kecil saya ---
Hal pertama yang Anda butuhkan adalah dua menyerah:
Itu benar, itu hanya menyerah banyak informasi! Ketika kami ingin memulai dengan pembelajaran mesin, kami sering mengumpulkan banyak informasi, seperti sumber daya internal pembelajaran mesin XX sekolah, pembelajaran mesin dari pengantar hingga sumber daya 100 g canggih, tutorial kecerdasan buatan XX, dll. Sering kali, kami mengambil lebih dari sepuluh atau ratusan sumber belajar, dan kemudian memasukkannya ke dalam disk cloud tertentu untuk menyimpannya, menunggu untuk belajar perlahan di masa depan. Sedikit orang tahu bahwa 90% orang hanya mengumpulkan informasi dan menyimpan informasi, dan telah lupa untuk membuka pembelajaran setelah meninggalkannya di disk cloud selama satu atau dua tahun. Informasi yang terletak pada disk cloud sering kali hanya memiliki rasa nyaman diri dan rasa aman yang "mandiri" yang kebanyakan orang "belajar keras di masa depan". Selain itu, ketika dihadapkan dengan sejumlah besar bahan belajar, mudah untuk jatuh ke dalam keadaan kebingungan. Ya Tuhan, ada banyak hal yang belum saya pelajari! Sederhananya, semakin banyak pilihan yang Anda buat, semakin mudah jatuh ke dalam dilema tidak punya pilihan.
Jadi, langkah pertama adalah memberikan informasi dalam jumlah besar! Sebaliknya, pilih sepotong informasi yang sangat cocok untuk Anda dan pelajari dengan cermat!
Berbicara tentang memulai, banyak orang akan berpikir bahwa mereka harus mulai dengan pengetahuan paling mendasar! Pembelajaran mesin adalah teknologi kompleks yang mengintegrasikan teori probabilitas, aljabar linier, optimasi cembung, komputer, ilmu saraf dan aspek lainnya. Ada banyak pengetahuan teoritis yang diperlukan untuk belajar pembelajaran mesin dengan baik. derivasi, dll. Namun, kerugian dari melakukan ini adalah bahwa itu memakan waktu dan dapat dengan mudah menyebabkan "pembelajaran yang kendur" dan menghilangkan antusiasme untuk belajar. Karena menilai buku dan formula derivasi relatif membosankan, jauh lebih kecil kemungkinannya untuk merangsang antusiasme Anda untuk belajar daripada membangun model regresi sederhana sendiri. Tentu saja, bukan karena Anda tidak perlu mempelajari pengetahuan dasar, pengetahuan teoretis dasar sangat penting! Hanya saja ketika memulai, yang terbaik adalah memiliki pemahaman sistematis tentang kerangka kerja tingkat atas terlebih dahulu, dan kemudian dari praktik ke teori, periksa untuk hilang dan menambal titik-titik pengetahuan pembelajaran mesin dengan cara yang ditargetkan. Dari makro ke mikro, dari keseluruhan ke detail, lebih kondusif untuk awal yang cepat untuk pembelajaran mesin! Selain itu, dalam hal antusiasme untuk belajar, itu juga memainkan peran "umpan balik positif".
Oke, setelah berbicara tentang keduanya "menyerah" sebelum memulai dengan pembelajaran mesin, kami akan memperkenalkan rute masuk.
Saya pribadi berpikir bahwa fondasi matematika yang diperlukan terlebih dahulu: teori probabilitas, teori matriks dan kalkulus. Tidak masalah jika Anda tidak memilikinya, pelajari saja saat menonton.
【Gratis】 Pengajaran Matematika Pengenalan video ke Khan Academy
| Kemungkinan | statistik | Aljabar linier |
|---|---|---|
| Khan Academy (probabilitas) | Khan Academy (Statistik) | Khan Academy (aljabar linier) |
【Gratis】 Video Pembelajaran Mesin/Deep
| Pembelajaran Mesin | Pembelajaran yang mendalam |
|---|---|
| NG Machine Learning | Jaringan saraf dan pembelajaran mendalam |
Kemudian saya merekomendasikan sekelompok petinggi domestik yang lebih mendasar dan dapat merekam video pembelajaran mesin dengan sedikit lebih mudah untuk dipahami daripada Tn. Ng.
Pembelajaran Mesin Praktik praktis-apachecn Organisasi open source Cina
Konten umum adalah mempelajari buku "Pembelajaran Mesin Praktis"
Buku Pembelajaran Mesin Praktis
Video Praktis Pembelajaran Mesin
Pada dasarnya, menyelesaikan kursus di atas dianggap sebagai pengantar. Selanjutnya, Anda dapat menargetkan minat dan arahan Anda. Misalnya, Anda dapat terus mempelajari kursus Stanford CS231N:
CS231N: Jaringan saraf konvolusional untuk pengakuan visual
Jika Anda fokus pada NLP, Anda dapat mempelajari kursus Stanford CS224N:
CS224N: Pemrosesan bahasa alami dengan pembelajaran yang mendalam
Tentu saja, kursus NTU Lee Hongyi juga sangat bagus:
Hung-yi Lee
Tentu saja, akan ada terjemahan video yang sesuai di peternak domestik ini (situs B).
Ada banyak buku di pasaran yang memperkenalkan teknologi pemrosesan bahasa alami, dan ada juga banyak kursus pembelajaran dan situs web di internet. Namun, setelah diselidiki, ditemukan bahwa CS224N Stanford: Pemrosesan bahasa alami untuk pembelajaran yang mendalam telah disukai oleh mayoritas penggemar NLP. Namun, sejauh yang kami tahu, tidak ada catatan studi Cina tentang kursus CS224N terbaru pada tahun 2019. Oleh karena itu, untuk memulai dengan lebih baik dengan NLP Scientific Research, kami di sini untuk berbagi pengalaman belajar kami dengan Anda, dan berharap untuk belajar dengan Anda.
Natural Language Processing (NLP) adalah salah satu teknologi paling penting dalam era informasi dan bagian penting dari kecerdasan buatan. Aplikasi NLP ada di mana -mana karena orang berkomunikasi hampir dalam bahasa: pencarian web, iklan, email, layanan pelanggan, terjemahan bahasa, laporan medis, dll. Dalam beberapa tahun terakhir, metode pembelajaran yang mendalam telah mencapai kinerja yang sangat tinggi di berbagai tugas NLP, menggunakan model saraf end-to-end tunggal tanpa perlu rekayasa fitur tradisional, tugas khusus. Ada dua perbedaan utama dalam kursus 2019 dibandingkan dengan masa lalu. Pertama, gunakan pytorch bukan tensorflow, dan kedua, pengaturan kursus lebih dekat. Melalui kursus ini, semua orang akan belajar, menerapkan, dan memahami keterampilan yang mereka butuhkan untuk melakukan model jaringan saraf mereka sendiri.
1. Memahami penggunaan dasar ular piton
2. Memahami Kalkulus Dasar, Aljabar Linier dan Statistik Probabilitas
3. Memiliki pemahaman tertentu tentang pembelajaran mesin
4. Memiliki minat yang kuat dalam pembelajaran NLP
Namun, kami tidak perlu mulai belajar dari awal, yang akan mengurangi minat kami dalam belajar. Oleh karena itu, selama kita terus menebus kekurangan prasyarat kita sendiri dalam proses pembelajaran, kita pasti akan memasuki pintu pembelajaran NLP.
Logo Organisasi:
