AILearners
1.0.0
AIMI-CN recomendou rotas de aprendizado de IA e notas de curso
Somos um grupo de entusiastas que amam a IA aprendendo! Aqui aprendemos juntos, insistimos um ao outro e nos exibimos juntos ~
Atualizamos algumas notas relacionadas à IA-incluindo algoritmos, aprendizado de máquina, aprendizado profundo e processamento de linguagem natural.
Grupo de aprendizado e comunicação AIMI-CN (existem vários recursos relacionados à IA) [1015286623] 
Nossa conta oficial também pressionará várias informações úteis de tempos em tempos esperando você seguir ~
Pesquise a conta oficial do WeChat: 'AI-Ming3526' ou 'Visão computacional' para obter mais recursos de aprendizado de máquina de direção AI
Guiá -lo para o início do aprendizado de máquina de aprender ~
Endereço detalhado do artigo
Endereço do código -fonte
As anotações on -line de Niuke sobre "Swordsman Ofert" têm como objetivo melhorar nossos recursos de algoritmo ~
Endereço detalhado do artigo
Endereço CSDN
Abra a porta para o aprendizado de máquina para você ~
Endereço de notas detalhadas
Deixe você usar o código para experimentar o aprendizado de máquina ~
Endereço de notas detalhadas do curso
Livros práticos de aprendizado de máquina
Código fonte e download do conjunto de dados
Introdução detalhada às redes neurais, CNN, RNN e Gan ~
Endereço de notas detalhadas
Vamos aprender o conhecimento da PNL mais de ponta juntos ~
Curso CS224N Notas detalhadas
CS224N Código de extração de materiais de aprendizagem: E234
O link de vídeo do YouTube pode ser encontrado na China em Bilibili
Aprenda PNL no código real ~
Endereço de notas detalhadas
Endereço de download de código e livro
Pré -requisitos para visualização:
Escolha, método, persistência <br> Todos sabemos que existem muitos recursos agora. ! !
Reprriando uma rota de aprendizado de IA muito poderosa compilada por várias organizações muito impressionantes |
O aprendizado de máquinas requer uma certa base matemática, mas é apenas um pouco de base matemática.
Vou analisar como aprender com base na minha pequena experiência ---
A primeira coisa que você precisa é desistir:
É isso mesmo, está apenas desistindo de muitas informações! Quando queremos começar com o aprendizado de máquina, geralmente coletamos muitas informações, como XX School Learning Aprendizando Recursos Internos, Aprendizagem de Máquina de Introdutória a 100 G Recursos Avançados, Tutoriais de Inteligência Artificial XX, etc. Muitas vezes, pegamos mais de dez ou centenas de G de recursos de aprendizagem e depois os colocamos em um determinado disco da nuvem para armazená -los, esperando para aprender lentamente no futuro. Pouco as pessoas sabem que 90% das pessoas apenas coletam informações e economizam informações e esqueceram de abrir o aprendizado depois de deixá -las no disco da nuvem por um ano ou dois. As informações sobre o disco da nuvem geralmente são apenas o autoconforto e a sensação de segurança "auto-seguida" que a maioria das pessoas "estuda duro no futuro". Além disso, quando confrontado com uma grande quantidade de materiais de aprendizagem, é fácil cair em um estado de confusão. Oh meu Deus, há tantas coisas que não aprendi! Simplificando, quanto mais opções você fizer, mais fácil é cair em um dilema de não ter escolha.
Então, o primeiro passo é desistir de grandes quantidades de informações! Em vez disso, escolha uma informação que realmente combina com você e estude -a com cuidado!
Falando em começar, muitas pessoas pensam que devem começar com o conhecimento mais básico! O aprendizado de máquina é uma tecnologia complexa que integra teoria de probabilidade, álgebra linear, otimização convexa, computador, neurociência e outros aspectos. Há muito conhecimento teórico necessário para aprender bem o aprendizado de máquina. derivação, etc. No entanto, a desvantagem de fazer isso é que é demorado e pode facilmente causar "aprendizado frouxo" e dissipar o entusiasmo pelo aprendizado. Como o julgamento de livros e fórmulas de derivação é relativamente chato, é muito menos provável que estimule seu entusiasmo pelo aprendizado do que a criação de um modelo de regressão simples. Obviamente, não é que você não precise estudar conhecimento básico, o conhecimento teórico básico é muito importante! É apenas que, ao começar, é melhor ter um entendimento sistemático da estrutura de nível superior primeiro e depois da prática à teoria, verificar a falta e corrigir os pontos de conhecimento de aprendizado de máquina de maneira direcionada. De macro a micro, de geral aos detalhes, é mais propício para um início rápido para o aprendizado de máquina! Além disso, em termos de entusiasmo pelo aprendizado, também desempenha um papel de "feedback positivo".
Ok, depois de falar sobre os dois "desistindo" antes de começar o aprendizado de máquina, apresentaremos a rota de entrada.
Pessoalmente, acho que as fundações matemáticas necessárias primeiro: teoria de probabilidade, teoria da matriz e cálculo. Não importa se você não o tiver, apenas aprenda enquanto assiste.
【Grátis】 Matemática Ensinando Video-Introdução à Khan Academy
| Probabilidade | Estatística | Álgebra linear |
|---|---|---|
| Academia Khan (probabilidade) | Khan Academy (Statistics) | Academia Khan (Álgebra Linear) |
【Free】 Machine/Deep Learning Video- ng
| Aprendizado de máquina | Aprendizado profundo |
|---|---|
| Ng aprendizado de máquina | Redes neurais e aprendizado profundo |
Depois, recomendo um grupo de figurões domésticos que são mais básicos e podem gravar vídeos de aprendizado de máquina com um pouco mais fácil de entender do que o Sr. NG.
Aprendizagem de máquina Prática prática-Apachecn Organização de código aberto chinês
O conteúdo geral é aprender o livro "Prático Aprendizado de Máquina"
Livros práticos de aprendizado de máquina
Aprendizagem de máquina Vídeos práticos
Basicamente, a conclusão dos cursos acima é considerada introdutória. Em seguida, você pode atingir seus interesses e instruções. Por exemplo, você pode continuar estudando o curso de Stanford CS231N:
CS231N: redes neurais convolucionais para reconhecimento visual
Se você se concentrar na PNL, pode aprender o curso de Stanford CS224N:
CS224N: Processamento de linguagem natural com aprendizado profundo
Obviamente, os cursos de Ntu Lee Hongyi também são muito bons:
Hung-yi Lee
Obviamente, haverá traduções correspondentes de vídeos nesses bigwigs domésticos (site B).
Existem muitos livros no mercado que introduzem a tecnologia de processamento de linguagem natural e também existem muitos cursos e sites de aprendizado na Internet. No entanto, após a investigação, verificou -se que o CS224N de Stanford: processamento de linguagem natural para aprendizado profundo foi favorecido pela maioria dos entusiastas da PNL. No entanto, até onde sabemos, não há notas de estudo chinês sobre o último curso CS224N em 2019. Portanto, para melhor começar com a pesquisa científica da PNL, estamos aqui para compartilhar nossa experiência de aprendizado com você e esperamos aprender com você.
O processamento de linguagem natural (PNL) é uma das tecnologias mais importantes na era da informação e uma parte essencial da inteligência artificial. Os aplicativos de PNL estão em toda parte porque as pessoas se comunicam quase no idioma: pesquisa na web, publicidade, email, atendimento ao cliente, tradução de idiomas, relatórios médicos etc. Nos últimos anos, os métodos de aprendizado profundo alcançaram um desempenho muito alto em muitas tarefas diferentes de PNL, usando um único modelo neural de ponta a ponta sem a necessidade de engenharia tradicional de recursos específicos de tarefas. Existem duas principais diferenças nos cursos de 2019 em comparação com o passado. Primeiro, use o pytorch em vez de tensorflow e, segundo, o arranjo do curso está mais próximo. Durante esse curso, todos aprenderão, implementarão e entenderão as habilidades necessárias para fazer seus próprios modelos de rede neural.
1. Entenda o uso básico do Python
2. Entenda o cálculo básico, a álgebra linear e as estatísticas de probabilidade
3. Tenha um certo entendimento do aprendizado de máquina
4. Tenha um forte interesse em aprendizado de PNL
No entanto, não precisamos começar a aprender do zero, o que reduzirá nosso interesse em aprender. Portanto, enquanto continuarmos a compensar as deficiências de nossos próprios pré -requisitos no processo de aprendizado, definitivamente entraremos na porta do aprendizado da PNL.
Logotipo da organização:
