AILearners

AIMI-CN은 AI 학습 경로 및 코스 메모를 권장했습니다

조직 소개 :

우리는 AI 학습을 좋아하는 애호가 그룹입니다! 여기서 우리는 함께 배우고 서로를 촉구하며 함께 과시합니다 ~
우리는 알고리즘, 기계 학습, 딥 러닝 및 자연 언어 처리를 포함하여 AI 관련 메모를 업데이트했습니다.

AIMI-CN AI 학습 및 커뮤니케이션 그룹 (다양한 AI 관련 리소스가 있음) [1015286623]

우리의 공식 계정은 또한 여러분이 따라 가기를 기다리는 다양한 유용한 정보를 수시로 푸시 할 것입니다 ~

WeChat 공식 계정을 검색하십시오 : 'AI-Ming3526'또는 'Computer Vision'을 검색하여 AI 방향 기계 학습 리소스를 더 많이 얻으십시오.

우리의 연구 노트 (알고리즘, 기계 학습, 딥 러닝, NLP 등의 방향에 포함)

1. 알고리즘 방향

1. 알고리즘과 생명 @BidongqInxian

학습 기계 학습의 시작 부분으로 안내하십시오 ~

자세한 기사 주소

소스 코드 주소

2. 제안 알고리즘의 연습에 대한 자세한 분석 @xiaoming3526

"Swordsman Offer"에 대한 Niuke의 온라인 메모는 알고리즘 기능을 향상시키는 것을 목표로합니다 ~

자세한 기사 주소

CSDN 주소

2. 기계 학습 방향

1. 교사 NG의 머신 러닝 노트 @jermainez @niuhongying @liuxinyi222

머신 러닝의 문을 열어 ~

자세한 노트 주소

2. "머신 러닝"의 "실용 머신 러닝"과정 및 코드에 대한 자세한 분석 @fermin

코드를 사용하여 머신 러닝을 경험할 수 있습니다 ~

과정 세부 사항 주소

실용적인 기계 학습 서적

소스 코드 및 데이터 세트 다운로드

3. "머신 러닝"에있는 Zhou Zhihua의 수박 책의 노트는 결정됩니다.

3. 딥 러닝 방향

Stanford CS231N Convolutional Neural Network 코스 코스 시각적 인식에 대한 참고 @5people

신경망, CNN, RNN 및 GAN ~에 대한 자세한 소개

자세한 노트 주소

4. 자연 언어 처리의 NLP 방향

1. Stanford CS224N 2019 NLP 코스 노트, 방과 후 과제, 딥 러닝 @guokaijie 기반 학습 자료

가장 최첨단 NLP 지식을 함께 배우자 ~

CS224N 코스 상세 참고

CS224N 학습 자료 추출 코드 : E234

YouTube 비디오 링크는 Bilibili에서 중국에서 찾을 수 있습니다.

2. Python Natural Language Processing Practical Book Code Notes @changan

실제 코드 ~에서 NLP를 배우십시오

자세한 노트 주소

코드 및 책 다운로드 주소

AIMI-CN 권장 AI 학습 경로 : 권장 학습 자료 및 기계 학습, 딥 러닝, NLP 등과 같은 학습 방향

보기 전제 조건 :
선택, 방법, 지속성 <br> 우리는 지금 우리에게 적합한 정보를 먼저 선택한 다음 우리에게 적합한 방법으로 배우고 있습니다. ! !

매우 강력한 AI 학습 경로를 재현하여 여러 멋진 조직이 편집 |

1. 기계 학습

기계 학습 제안

기계 학습에는 특정 수학적 기초가 필요하지만, 이들은 모두 큰 장면에 두려워하지 않습니다.

나는 나의 작은 경험을 바탕으로 배우는 방법을 분석 할 것입니다 ---

가장 먼저 필요한 것은 포기하는 것입니다.

1. 대량의 정보를 포기하십시오!

맞습니다. 많은 정보를 포기하고 있습니다! 머신 러닝을 시작하려면 XX School Machine Learning 내부 리소스, 소개에서 고급 100g 리소스까지의 기계 학습, XX 인공 지능 자습서 등과 같은 많은 정보를 수집합니다. 여러 번, 우리는 10 ~ 수백 G의 학습 리소스를 복용 한 다음 특정 클라우드 디스크에 넣어 저장하여 앞으로 천천히 배우기를 기다립니다. 사람들의 90%가 정보를 수집하고 정보를 저장하고 1 년 또는 2 년 동안 클라우드 디스크에 맡기고 나서 학습을 열지 않은 것을 사람들은 거의 알지 못합니다. 클라우드 디스크에있는 정보는 종종 자체 발전과 "자기 안전"보안 감각 일뿐입니다. 대부분의 사람들은 앞으로 열심히 공부합니다. 또한, 많은 양의 학습 자료에 직면했을 때, 가장 직접적인 느낌은 다음과 같습니다. 오 마이 갓, 내가 배우지 않은 것이 너무 많습니다! 간단히 말해서, 선택이 많을수록 선택의 여지가없는 딜레마에 빠질 수 있습니다.

따라서 첫 번째 단계는 대량의 정보를 포기하는 것입니다! 대신, 실제로 자신에게 적합한 정보를 선택하고 신중하게 공부하십시오!

2. 포기하고 처음부터 시작하십시오!

시작하는 것에 대해 말하면, 많은 사람들은 가장 기본적인 지식으로 시작해야한다고 생각할 것입니다! 기계 학습은 확률 이론, 선형 대수, 볼록 최적화, 컴퓨터, 신경 과학 및 기타 측면을 통합하는 복잡한 기술입니다. 기계 학습을 잘 배우는 데 필요한 많은 이론적 지식이 매우 견고한 기초를 가지고 있지 않으므로 확률 이론, 선형 대수, 기계 학습 볼록 최적화 공식과 같은 지식 수준이 가장 낮습니다. 파생 등 그러나이를 수행하는 단점은 시간이 많이 걸리고 쉽게 "여유 학습"을 유발하고 학습에 대한 열정을 없애는 것입니다. 책과 파생 공식을 판단하는 것은 상대적으로 지루하기 때문에 간단한 회귀 모델을 직접 구축하는 것보다 학습에 대한 열정을 자극 할 가능성이 훨씬 적습니다. 물론 기본 지식을 공부할 필요가 없으며 기본 이론 지식이 매우 중요합니다! 시작할 때 먼저 최상위 프레임 워크를 체계적으로 이해 한 다음 실습에서 이론에 이르기까지 누락 된 것을 확인하고 기계 학습 지식 지점을 대상으로 패치하는 것이 가장 좋습니다. 매크로에서 마이크로, 전반적으로 세부 사항에 이르기까지 기계 학습을 빠르게 시작하는 데 더 도움이됩니다! 더욱이 학습에 대한 열정 측면에서, 그것은 또한 "긍정적 인 피드백"의 역할을합니다.

3. 기계 학습 학습 경로 소개

자, 기계 학습을 시작하기 전에 두 "포기"에 대해 이야기 한 후, 우리는 진입 경로를 소개합니다.

3.1 수학의 기본

나는 개인적으로 필요한 수학적 기초가 먼저 필요하다고 생각합니다 : 확률 이론, 매트릭스 이론 및 미적분학. 당신이 그것을 가지고 있지 않더라도, 당신이 무엇을 해야할지 모르면 배우십시오.

【무료 em 칸 아카데미에 비디오를 소개하는 수학

개연성	통계	선형 대수
칸 아카데미 (확률)	칸 아카데미 (통계)	칸 아카데미 (선형 대수)

3.2. 그러면 기계 학습의 기본이 있습니다

교사 NG의 비디오는 의심 할 여지없이 고전적인 것입니다

【무료/기계/딥 러닝 비디오 ng

기계 학습	딥 러닝
NG 머신 러닝	신경망과 딥 러닝

그런 다음 더 기본적이고 NG 씨보다 이해하기 쉬운 머신 러닝 비디오를 녹음 할 수있는 국내 Bigwig 그룹을 추천합니다.

머신 러닝 실제 실습 -Apachecn 중국 오픈 소스 조직

일반적인 내용은 "실용 머신 러닝"을 배우는 것입니다.

실용적인 기계 학습 서적

머신 러닝 실용 비디오

3.3

기본적으로 위의 과정을 완료하는 것은 입문으로 간주됩니다. 다음으로 관심사와 지시를 목표로 할 수 있습니다. 예를 들어 Stanford CS231N 코스를 계속 연구 할 수 있습니다.

CS231N : 시각적 인식을위한 Convolutional Neural Networks

NLP에 중점을두면 Stanford CS224N 코스를 배울 수 있습니다.

CS224N : 딥 러닝을 통한 자연 언어 처리

물론 NTU Lee Hongyi의 과정도 매우 좋습니다.

Hung-Yi Lee

물론,이 국내 Bigwigs (B 사이트)에는 동영상의 해당 번역이 있습니다.

2. NLP 학습

시장에는 자연어 처리 기술을 소개하는 많은 책이 있으며 인터넷에는 많은 학습 과정과 웹 사이트도 있습니다. 그러나 조사 후 스탠포드의 CS224N : 딥 러닝을위한 자연 언어 처리가 대부분의 NLP 애호가들이 선호하는 것으로 밝혀졌습니다. 그러나 우리가 아는 한, 2019 년 최신 CS224N 과정에 대한 중국어 연구 노트는 없습니다. 따라서 NLP Scientific Research를 더 잘 시작하기 위해 학습 경험을 귀하와 공유하고 귀하와 함께 배우기를 희망합니다.

학습 내용

자연 언어 처리 (NLP)는 정보 시대에서 가장 중요한 기술 중 하나이며 인공 지능의 핵심 부분입니다. NLP 애플리케이션은 사람들이 거의 언어로 의사 소통하기 때문에 웹 검색, 광고, 이메일, 고객 서비스, 언어 번역, 의료 보고서 등이 있기 때문입니다. 최근 몇 년 동안 딥 러닝 방법은 전통적인 작업 별 기능 엔지니어링없이 단일 엔드 투 엔드 신경 모델을 사용하여 다양한 NLP 작업에서 매우 높은 성능을 달성했습니다. 과거와 비교하여 2019 년 과정에는 두 가지 주요 차이점이 있습니다. 먼저, 텐서 플로 대신 pytorch를 사용하고 둘째, 코스 배열이 더 가깝습니다. 이 과정을 통해 모든 사람은 자신의 신경망 모델을 수행하는 데 필요한 기술을 배우고 구현하며 이해합니다.

전제 조건

1. 파이썬의 기본 사용법을 이해하십시오

2. 기본 미적분학, 선형 대수 및 확률 통계를 이해하십시오

3. 머신 러닝에 대한 확실한 이해가 있습니다

4. NLP 학습에 큰 관심을 갖습니다

그러나 우리는 처음부터 학습을 시작할 필요가 없으므로 학습에 대한 관심이 줄어 듭니다. 따라서 학습 과정에서 우리 자신의 전제 조건의 단점을 계속 보충하는 한, 우리는 NLP 학습의 문에 확실히 들어갈 것입니다.

면책 조항 - [학습 참조 만]

• 이 프로젝트는 순전히 학습 목적입니다

조직 로고 :