수학, 머신 러닝, 딥 러닝을 위한 AI 리소스의 궁극적인 모음집
공유되지 않는 지식은 낭비입니다. - 제이콥스 클랜
이 컬렉션은 아래 사람들이 만든 우수한 ML 및 DL 튜토리얼을 편집한 것입니다.
- 안드레이 카르파티 블로그
- 브랜든 로허
- 앤드류 트래스크
- 제이 알람마
- 세바스티안 루더
- 증류하다
- Josh Starmer와 함께하는 StatQuest
- 센드덱스
- 렉스 프리드먼
- 3블루1브라운
- 알렉산더 아미니
- 코딩 열차
- 크리스토퍼 올라
팔로우할 커뮤니티
- AI 코임바토르 여기에 가입하시겠습니까 ?
- 텔레그램 : 매일 업데이트용
- 페이스북 : 코임바토르 AI 학교
- TensorFlow 사용자 그룹 Coimbatore
- 모임 : TFUGCbe
- 페이스북 : TFUGCbe
이 저장소는 다음에 의해 생성되고 유지 관리됩니다.
나바니스 말링간
데이터 과학이 필요한 이유와 시작하는 방법은 무엇입니까?
- 머신러닝을 시작하는 방법!
- 데이터 과학에서 의미 있는 경력을 쌓는 방법
- 내가 직접 만든 인공지능 석사 학위
- Py이미지 검색
- Python을 사용하여 기계 학습 및 데이터 과학을 배우기 위한 5가지 초보자 친화적 단계
ML 소개
- Luis Serrano: 기계 학습에 대한 친근한 소개
- StatQuest: 머신러닝에 대한 간단한 소개
- 모두를 위한 기계 학습 실제 사례와 함께 간단한 단어로 기계 학습 알고리즘과 응용 프로그램을 요약합니다.
머신러닝은 누구나 할 수 있다
- Teachable Machine 자신의 이미지, 소리, 자세를 인식하도록 컴퓨터를 훈련시키세요. 사이트, 앱 등을 위한 기계 학습 모델을 생성하는 빠르고 쉬운 방법입니다. 전문 지식이나 코딩이 필요하지 않습니다.
MOOC
- 기계 학습 작성자: Andrew Ng, Stanford IMDB 10/10 LOL :P
- Datacamp: Python을 사용한 데이터 엔지니어
- Naive Bayes, SVM, 의사 결정 트리, 회귀, 이상값, 클러스터링, 기능 확장, 텍스트 학습, 기능 선택, PCA, 검증, 평가 지표를 다루는 기계 학습 주제 소개
- 딥 러닝을 위한 TensorFlow 소개 TensorFlow 학습을 위한 최고의 과정
- 엔드투엔드 머신러닝
- NVIDIA 딥 러닝 연구소
- 코더를 위한 머신러닝 입문!
- 코더를 위한 실용적인 딥 러닝, v3
- FastAI
상위 대학의 강좌
스탠포드 대학
- CS221 - 인공 지능: 원리 및 기술(Percy Liang 및 Dorsa Sadigh 저)
- CS229 - Andrew Ng의 기계 학습
- CS230 - Andrew Ng의 딥 러닝
- CS231n - Fei-Fei Li 및 Andrej Karpathy의 시각적 인식을 위한 컨볼루셔널 신경망
- CS224n - 딥러닝을 통한 자연어 처리 - Christopher Manning
- CS234 - Emma Brunskill의 강화 학습
- CS330 - 심층 멀티태스킹 및 메타 학습 - Chelsea Finn
- CS25 - 트랜스포머 유나이티드
카네기멜론대학교
- CS/LTI 11-711: Graham Neubig의 고급 NLP
- CS/LTI 11-747: NLP용 신경망 - Graham Neubig
- CS/LTI 11-737: Graham Neubig의 다국어 NLP
- CS/LTI 11-777: 다중 모드 기계 학습(Louis-Philippe Morency 저)
- CS/LTI 11-785: Bhiksha Raj 및 Rita Singh의 딥 러닝 소개
- CS/LTI 저자원 NLP 부트캠프 2020(Graham Neubig 제작)
매사추세츠 공과대학
- 6.S191 - Alexander Amini 및 Ava Amini의 딥 러닝 소개
- 6.S094 - Lex Fridman의 딥 러닝
- 6.S192 - 예술, 미학, 창의성을 위한 딥 러닝 - Ali Jahanian
유니버시티 칼리지 런던
- David Silver의 COMP M050 강화 학습
YouTube ML 재생목록
- Josh Starmer와 함께하는 StatQuest의 기계 학습
- 코딩 트레인을 통한 지능과 학습
기계 학습 용어집
- 이 용어집은 TensorFlow 관련 용어뿐만 아니라 다양한 도메인의 일반적인 기계 학습 용어를 정의합니다.
기계 학습 기초 (이 용어는 아래 알고리즘에서 자주 사용됩니다)
- 편향과 분산
- 교차 검증
- 기계 학습 기초: 혼동 행렬
- 감도와 특이성
- ROC와 AUC를 명확하게 설명합니다!
- StatQuest: R-제곱 설명
- 정규화 1부: 능형 회귀
- 정규화 2부: 올가미 회귀
- 최대 가능성
- 공분산과 상관관계 1부: 공분산
- 통계 기초: 평균, 분산, 표준편차
- 통계 기초: 인구 모수
- 용어집: 통계
- 용어집: 기계 학습
- R-제곱을 보면
수학
- 기계 학습을 위한 수학 이 게시물에서는 기계 학습을 위한 수학 학습을 위한 훌륭한 전자 리소스(MOOC, YouTube 강의, 서적)를 편집했습니다.
- 기계 학습을 위한 수학(Mathematics for Machine Learning) - 1권 기계 학습을 위한 수학의 모든 것을 다룬 훌륭한 책입니다. (무료 전자책)
- 3Blue1Brown의 다음 리소스를 살펴보는 것이 좋습니다.
- 선형 Algrbra의 본질 ▶️
- 미적분학의 에센 ▶️
- 미분방정식 ▶️
- 길버트 스트랭(Gilbert Strang): 선형 대수학 대 미적분학 ▶️
- 타밀어 적분학의 기초 ▶️
- 새로운 fast.ai 과정: 전산 선형 대수학
- 선형대수학 도서
파이썬
- Socratica의 Python 프로그래밍 튜토리얼 ▶️
- w3schools의 Python 튜토리얼?
- Python 프로그래밍을 배우시나요?
넘피
- NumPy 및 데이터 표현에 대한 시각적 소개
- CS231n: Python Numpy 튜토리얼
- NumPy 리소스: 엔드투엔드 기계 학습 라이브러리의 일부
- 100가지 numpy 연습(솔루션 포함)
- 101 데이터 분석을 위한 NumPy 연습(Python)
- Numpy 튜토리얼 – ndarray 소개
- Sci-Py 강의: NumPy: 수치 데이터 생성 및 조작
- 초보자를 위한 Python NumPy 튜토리얼 ▶️ 초보자를 위한 이 튜토리얼에서 NumPy 라이브러리의 기본 사항을 알아보세요. NumPy의 작동 방식과 Python의 내장 목록과 비교하는 방법에 대한 배경 정보를 제공합니다. 이 영상에서는 NumPy로 코드를 작성하는 방법을 설명합니다. 배열 생성의 기본부터 시작하여 고급 내용으로 들어갑니다. 비디오에서는 배열 생성, 인덱싱, 수학, 통계, 재구성 등에 대해 다룹니다.
- Python NumPy 튜토리얼 – 예제를 통해 NumPy 배열 배우기
- Python Numpy 배열 튜토리얼
- NumPy 튜토리얼: Python을 사용한 데이터 분석
- 딥 러닝 전제 조건: Python의 Numpy Stack ▶️
팬더
- Pandas를 사용한 Python의 데이터 분석에 대한 부드러운 시각적 소개
- Data School의 Pandas를 사용한 Python의 데이터 분석 ▶️
- Data School의 팬더 모범 사례 ▶️
- Python Pandas 튜토리얼: 초보자를 위한 완전한 소개
머신러닝 YouTube 재생목록
- CodeBasics: 기계 학습 튜토리얼 Python ▶️
- StatQuest: 기계 학습 ▶️
- sentdex: Python을 사용한 기계 학습 ▶️
- Simplilearn: 기계 학습 튜토리얼 비디오 ▶️
- Python의 기계 학습 튜토리얼 ▶️
- deeplizard: 기계 학습 및 딥 러닝 기초 ▶️
ML, DL 시각적 설명자
참고: 아래에서 인기 있는 기계 학습 알고리즘에 대한 최고의 강의를 찾을 수 있습니다.
선형 회귀
- 선형 회귀: Luis Serrano의 친절한 소개 ▶️
- 통계 101: 선형 회귀, 매우 기본 ▶️
- 회귀선 피팅 플레이그라운드
- 회귀 곡선 피팅 플레이그라운드
로지스틱 회귀
- 선형 회귀와 로지스틱 회귀 | 데이터 과학 교육 | 에듀레카 ▶️
- 로지스틱 회귀 및 퍼셉트론 알고리즘: Luis Serrano의 친절한 소개 ▶️
의사결정 트리
- StatQuest: 의사결정 트리 ▶️
- StatQuest: 의사결정 트리, 2부 - 기능 선택 및 누락된 데이터 ▶️
- 예를 들어 의사 결정 트리 소개?
- 의사결정 트리?
- 파이썬 | sklearn을 사용한 의사결정 트리 회귀?
- ML | 로지스틱 회귀와 의사결정 트리 분류?
랜덤 포레스트
- StatQuest: 랜덤 포레스트 1부 - 구축, 사용 및 평가 ▶️
- StatQuest: Random Forests 2부: 누락된 데이터 및 클러스터링 ▶️
- 완전 초보자를 위한 랜덤 포레스트?
머신러닝 강화
- 부스팅 머신러닝 튜토리얼 | 적응형 부스팅, 그래디언트 부스팅, XGBoost | 에듀레카 ▶️
- AdaBoost, 명확하게 설명됨 ▶️
- 그라데이션 부스트 1부: 회귀 주요 아이디어 ▶️
- 그라데이션 부스트 2부: 회귀 세부정보 ▶️
- 그라데이션 부스트 3부: 분류 ▶️
- 그라데이션 부스트 4부: 분류 세부정보 ▶️
- XGBoost 1부: 회귀를 위한 XGBoost 트리 ▶️
- XGBoost 2부: 분류를 위한 XGBoost 트리 ▶️
- 앙상블 방법 Sci-kit 학습
SVM
- SVM(지원 벡터 머신): Luis Serrano의 친절한 소개 ▶️
- 서포트 벡터 머신(Support Vector Machine)에 대한 명확한 설명!!! 작성자: StatQuest ▶️
- 서포트 벡터 머신 2부: StatQuest의 다항식 커널 ▶️
- 서포트 벡터 머신 3부: StatQuest의 방사형(RBF) 커널 ▶️
- 서포트 벡터 머신 작동 방식 / 블랙박스 여는 방법 ▶️
- 서포트 벡터 머신 - 지능의 수학(1주차) ▶️
- 서포트 벡터 머신(Support Vector Machine)에 대한 이해를 돕기 위해?
- SVM(지원 벡터 머신) - 재미있고 쉬운 머신러닝 ▶️
베이즈 정리
- 베이즈 정리와 확률을 직관적으로 만들기 ▶️
- 베이즈 정리와 은닉 마르코프 모델에 대한 친근한 소개 ▶️
- 베이지안 함정 ▶️
- 나이브 베이즈 분류기: 친근한 접근 방식 ▶️
K-최근접이웃
- KNN을 처음부터?
- K-최근접 이웃 알고리즘을 사용한 기계 학습 기초?
K-평균
- StatQuest: K-평균 클러스터링 ▶️
- 기계 학습 튜토리얼 Python - 13: K는 클러스터링을 의미함 ▶️
- K는 클러스터링 알고리즘을 의미 - K는 Python의 예를 의미 - 기계 학습 알고리즘 - Edureka ▶️
주성분 분석(PCA)
- StatQuest: 단 5분만에 PCA 주요 아이디어!!! ▶️
- StatQuest: 주성분 분석(PCA), 단계별 ▶️
- Luis Serrano의 주성분 분석(PCA) ▶️
확률적 그래픽 모델
처음부터 경사하강법
최고
- 경사하강법을 사용한 선형 회귀?
- 경사하강법, 단계별 ▶️
- 확률적 경사하강법을 명확하게 설명합니다!!! ▶️
- 최적화 작동 방식 기계 학습 최적화의 기본 사항에 대한 짧은 시리즈
- 경사하강법을 사용한 선형 회귀
- 다항식 회귀
- 선형 회귀의 경사하강법 - 수학?
- 초보자를 위한 신경망 역전파 기본 사항 ▶️
아주 좋은 것들
- 3.4: 경사하강법을 사용한 선형 회귀 - 지능과 학습 ▶️
- 3.5: 경사하강법의 수학 - 지능과 학습 ▶️
- 3.5a: 미적분학: 거듭제곱의 법칙 - 지능과 학습 ▶️
- 3.5b: 미적분학: 연쇄 법칙 - 지능과 학습 ▶️
- 3.5c: 미적분학: 편미분 - 지능과 학습 ▶️
사라지는 그라데이션
- 사라지는 그라데이션 문제 ▶️
- Vanishing Gradient 문제를 극복하는 방법 ▶️
국소 최소값을 처리하는 방법
- https://datascience.stackexchange.com/questions/24534/does-gradient-descent-always-converge-to-an-optimum
- https://datascience.stackexchange.com/questions/18802/does-mlp-always-find-local-minimum
- https://www.coursera.org/learn/deep-neural-network/lecture/RFANA/the-problem-of-local-optima
Scikit 학습
- scikit-learn을 사용한 머신러닝 소개?
- Python 기계 학습: Scikit-Learn 튜토리얼
딥러닝
- 딥 블루베리 책(DEEP BLUEBERRY BOOK) 이 책은 딥 러닝에 대한 매우 집중적인 링크 모음입니다. 항상 딥 러닝을 배우고 싶었지만 어디서부터 시작해야 할지 모르겠다면, 올바른 곳을 우연히 발견하셨을 것입니다!
- 6.S191: 딥러닝 입문(2019)
- 수업 강의(YouTube) - MIT 6.S191: 딥러닝 입문
- 랩
- MIT 6.S191 딥러닝 입문(2020)
- MIT 6.S191 딥러닝 입문(2023)(YouTube)
- MIT 딥러닝 기초: 소개 및 개요
- Lex Fridman의 MIT 딥 러닝
- 타밀어 딥러닝
깊은 학습 책
- Ian Goodfellow, Yoshua Bengio 및 Aaron Courville의 딥 러닝 교과서
- 신경망과 딥러닝 - Michael Nielsen
- Andrew Trask의 Grokking Deep Learning
딥러닝 논문
NN
- 딥러닝과 신경망에 대한 친절한 소개 ▶️
- 초보자를 위한 머신러닝: 신경망 소개? 작동 방식과 Python에서 처음부터 구현하는 방법에 대한 간단한 설명입니다.
- 신경망의 기본 사항에 대한 시각적 및 대화형 가이드?
- 기본 신경망 수학을 시각적이고 대화형으로 살펴볼까요?
- 신경망 아키텍처 ▶️
- Welch Labs에서 이해한 신경망 ▶️
- 짧은 YouTube 시리즈 Neural Networks Demystified의 지원 코드입니다.
- 3Blue1Brows의 신경망 시리즈 ▶️
컴퓨터 비전
- CS131 컴퓨터 비전: 기초 및 애플리케이션 2019년 가을
- CS231A: 컴퓨터 비전, 3D 재구성에서 인식까지 2018년 겨울
- 시각적 인식을 위한 CS231n 컨벌루션 신경망
- 컴퓨터 비전 노트북
CNN
- CS231n: 시각적 인식을 위한 컨볼루셔널 신경망 2019년 봄
- CS231n: 시각적 인식을 위한 컨볼루셔널 신경망
- 컨볼루셔널 신경망과 이미지 인식에 대한 친절한 소개
- 컨볼루셔널 신경망에 대한 종합 가이드 — ELI5 방식
- Tensorflow 컨볼루셔널 신경망(CNN)
- 컨볼루셔널 네트워크 도서
- CNN, 1부: 컨볼루셔널 신경망 소개
- CS231n Winter 2016 BY Andrej Karpathy 15 영상
- 컨볼루셔널 신경망의 1D, 2D, 3D 컨볼루션에 대한 직관적인 이해
- CNN explainer 비전문가가 CNN(Convolutional Neural Networks)에 대해 배울 수 있도록 설계된 대화형 시각화 시스템입니다.
객체 감지
Cogneethi의 객체 감지 네트워크의 진화
객체 감지에 대한 심층 튜토리얼입니다. HOG, SIFT와 같은 고전적인 CV 기술부터 Overfeat, Faster RCNN 등과 같은 Convolutional Neural Network 기반 기술에 이르기까지 다양한 주제에 대한 직관 강의입니다. 아이디어가 초기 논문에서 현재 논문까지 어떻게 발전했는지 배우게 됩니다. 따라서 개체 감지 네트워크의 진화라는 이름이 붙었습니다.
- 선별 | 스케일 불변 특징 변환
- 돼지 직관 | 지향성 그라데이션의 히스토그램
- NMS | 비최대 억제
- 객체 현지화 | 경계 상자 회귀
- 객체 감지
- RCNN
- 공간 피라미드 매칭 | SPM
- SPPNet 개체 감지
- 빠른 RCNN 네트워크
- 더 빠른 RCNN
- Yolo v4 개체 감지 - 작동 방식 및 놀라운 이유!
- 프레임워크 및 라이브러리
- Facebook AI의 Detectron2
- MM검출
- 미디어파이프
- 욜로
- TensorFlow 객체 감지 API
- 컴퓨터 비전 레시피
- 라벨링 도구
- 코드 샘플
3D 객체 감지
- Objectron 데이터세트 발표 | 구글 AI 블로그
- MediaPipe 객체론 | Objectron(3D 객체 감지)
이미지 분할
- 컴퓨터 비전 튜토리얼: 이미지 분할 기술에 대한 단계별 소개(1부)
GAN
- Luis Serrano의 생성적 적대 신경망(GAN)에 대한 친절한 소개
- Ahlad Kumar의 생성적 적대 신경망(GAN)
- 첫 번째 간단한 GAN 구축
- 생성적 적대 신경망(Generative Adversarial Networks)을 사용한 얼굴 편집
- 변형 자동 인코더
- 50줄의 코드로 구성된 생성적 적대 신경망(GAN)(PyTorch)
- 생성 모델
스타일 트랜스퍼
- 빠른 스타일 전송을 위한 TensorFlow CNN ⚡???
NLP
- CS224n: 딥러닝을 통한 자연어 처리
- NLP와 개혁자
- 그림으로 표현된 Word2vec
RNN
- 순환 신경망에 대한 그림 가이드: 직관 이해
- 누구나 Python에서 LSTM-RNN을 코딩하는 방법을 배울 수 있습니다(1부: RNN) 신경망의 첫 번째 기억을 향한 첫 걸음입니다.
- 순환 신경망의 비합리적인 효율성
- 초보자를 위한 순환 신경망 소개 RNN이 무엇인지, 어떻게 작동하는지, Python에서 처음부터 RNN을 구축하는 방법에 대한 간단한 안내입니다.
- Distill을 통한 주의 집중 및 증강 순환 신경망
- Distill을 통해 RNN에서 기억 시각화 컨텍스트에서 기울기 크기를 검사하는 것은 반복 단위가 단기 또는 장기 컨텍스트 이해를 사용하는지 확인하는 강력한 도구가 될 수 있습니다.
- NLP를 위한 딥 러닝: ANN, RNN 및 LSTM 설명!
LSTM
- LSTM 네트워크 이해
- LSTM 구현 설명
- LSTM 오토인코더에 대한 간단한 소개
트랜스포머와 셀프 어텐션
Transformer 신경망에 대한 시각적 가이드(강력히 권장)
- 1부 - 위치 임베딩
- 2부 - 다중 헤드 및 셀프 어텐션
- 3부 - 디코더의 가려진 주의
- NLP 트랜스포머 주의 재생 목록
- 그림으로 표현된 트랜스포머
- 주석이 달린 변환기
- 트랜스포머 종이 및 코드
- 처음부터 트랜스포머
- 트랜스포머 노트
- Transformers 설명: GPT-3, BERT 및 T5의 모델 이해
- Transformer 변형에 대한 포괄적인 개요입니다.
- NLP 및 변환기 모델 전문가가 되는 방법
- [마스터클래스] 트랜스포머 | 주의 모델
버트
- 스케치를 사용하여 간단하게 BERT 설명하기
- 처음으로 BERT를 사용하기 위한 시각적 가이드
- 그림 BERT, ELMo 및 공동. (NLP가 전이 학습을 깨뜨린 방법)
- BERT 설명: NLP를 위한 최첨단 언어 모델
- BioBERT는 생물의학 도메인을 위한 언어 표현 모델로, 생물의학 개체명 인식, 관계 추출, 질문 응답 등과 같은 생물의학 텍스트 마이닝 작업을 위해 특별히 설계되었습니다.
GPT
- 그림으로 표시된 GPT-2(변환기 언어 모델 시각화)
강화 학습
- 심층 강화 학습 코스 ?️ 초보자부터 전문가까지 심층 강화 학습에 대한 무료 코스입니다.
- 강화 학습 알고리즘의 구현. Python, OpenAI 체육관, Tensorflow. Sutton의 책 및 David Silver의 과정과 함께 제공되는 연습 및 솔루션입니다.
- Unity 머신러닝 에이전트 툴킷
- 내 첫 번째 기계 학습 게임을 작성 중입니다! (1/4)
- 심층 강화 학습: Andrej Karpathy의 Pixels Pong
- 심층 강화 학습을 위한 초보자 가이드
- Unity ML-Agent 소개
- PyTorch를 사용한 심층 강화 학습 알고리즘
- 강의: 강화 학습 소개 - David Silver
- 도서: 강화 학습 - Sutton과 Barto의 소개
- 도서: Maxim Lapan의 심층 강화 학습 실습
파이토치
- Udacity: PyTorch를 사용한 딥 러닝
- 딥러닝(PyTorch): 코드
- 유다시티(Udacity) : 보안 AI
- 횃불스크립트
- PyTorchZeroToAll(영문) 김성훈의 14개 동영상 시리즈
텐서플로우
- TensorFlow 2.0 소개: 초보자에게는 더 쉽고, 전문가에게는 더 강력함(TF World '19)
- TensorFlow Lite: 기기 내 ML 실행을 위한 솔루션(TF World '19)
- JavaScript의 머신러닝(TensorFlow Dev Summit 2018)
- TensorFlow.js 빠른 시작
- Keras와 tf.keras: TensorFlow 2.0의 차이점은 무엇인가요?
- 객체 감지를 위해 Raspberry Pi에서 TensorFlow Lite를 실행하는 방법
- 컴퓨터가 물체를 즉시 인식하는 법을 배우는 방법 | 조셉 레드몬
TensorFlow 강좌
- 딥 러닝을 위한 TensorFlow 소개
- TensorFlow 실무 전문화 : Coursera
- TensorFlow: 데이터 및 배포 전문 분야: Coursera
PyTorch 대 TensorFlow
- PyTorch가 머신러닝 엔지니어들 사이에서 인기를 끄는 이유는 무엇일까요?
전이 학습
- Keras와 딥러닝을 사용한 전이 학습
- 딥 러닝의 실제 응용 프로그램을 사용한 전이 학습에 대한 포괄적인 실습 가이드
- TensorFlow 핵심 튜토리얼
모델 배포
- 5분 만에 배우는 기계 학습: ML 모델 배포 방법(SurveyMonkey 엔지니어 설명)
- Django를 사용하여 기계 학습 모델 배포
- MlFlow - 기계 학습 수명 주기를 위한 오픈 소스 플랫폼
- TensorFlow: 데이터 및 배포 전문화
MlOps
- MLOps 입문서 - 2021 MLOps에 대해 알아볼 수 있는 리소스 모음입니다.
암호
치트시트
- 인공지능
- 기계 학습
- 딥러닝
- 기계 학습 팁과 요령
- 데이터 과학 도구
- R을 이용한 머신러닝
- CHRIS ALBON 치트 시트 및 플래시 카드
- MLOps Tooling Landscape v2(+84개의 새 도구) - '20년 12월
- 수학 도구
- 엔지니어를 위한 상미분 방정식
Edge ML 키트
- Nvidia Jetson Nano 개발자 키트
- 인텔® 뉴럴 컴퓨트 스틱 2(인텔® NCS2)
- 산호
데이터 과학 대회
중요한 유튜브? AI/ML/RL/DS 분야의 채널
- 3블루1브라운
- Josh Starmer와 함께하는 StatQuest
- 센드덱스
- 루이스 세라노
- 브랜든 로러
- 깊은 도마뱀
- 팀과 함께하는 기술
- 마이크로소프트 리서치
- 코리 셰이퍼
- 데이터 스쿨
- 2분짜리 논문
- 웰치 연구소
- 심플리런
- 훌륭한 학습
- 딥러닝.TV
- 텐서플로우
- 딥러닝.ai
- 코드 글머리 기호
- 에듀레카!
- 렉스 프리드먼
- 인공 지능 채널
- freeCodeCamp.org
- 클라우드엑스랩
- 알렉산더 아미니
- 제프 히튼
- 아비셰크 타쿠르
- 코딩 열차
참조
- 머신러닝을 시작하는 방법!
- 내가 직접 만든 인공지능 석사 학위
- https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
- StatQuest의 ML 기초
- sentdex의 Python을 사용한 기계 학습
- Python을 사용하여 기계 학습 및 데이터 과학을 배우기 위한 5가지 초보자 친화적 단계 - Daniel Bourke
- 데이터 스쿨
- 신경망과 딥러닝
- https://www.machinelearningisfun.com/
- https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
- https://medium.com/greyatom
- https://greyatom.com/glabs
- John Searle: "인공 지능의 의식" | Google에서의 대화
- https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/tree/master/week3-classification-regression
- https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning
