ai_all_resources

Полная подборка ресурсов искусственного интеллекта для математики, машинного обучения и глубокого обучения

Знания, которыми не делятся, тратятся впустую. - Клан Джейкобс

Эта коллекция представляет собой сборник отличных руководств по ML и DL, созданных людьми, указанными ниже.

• Блог Андрея Карпаты
• Брэндон Роэр
• Эндрю Траск
• Джей Аламмар
• Себастьян Рудер
• Дистиллировать
• StatQuest с Джошем Стармером
• сентдекс
• Лекс Фридман
• 3Синий1Коричневый
• Александр Амини
• Кодирующий поезд
• Кристофер Ола

Сообщества, за которыми стоит следить

• AI Коимбатур Присоединяетесь сюда ?
  • Telegram: для ежедневных обновлений
  • Facebook: Школа искусственного интеллекта Коимбатура
• Группа пользователей TensorFlow Коимбаторе
  • Встреча: TFUGCbe
  • Facebook: TFUGCbe

Этот репозиторий создан и поддерживается

Наванит Малинган

Почему Data Science и с чего начать?

• С КАК НАЧАТЬ МАШИННОЕ ОБУЧЕНИЕ!
• Как построить значимую карьеру в области науки о данных
• Моя собственная степень магистра искусственного интеллекта
• PyImageSearch
• 5 простых шагов для начинающих по изучению машинного обучения и науки о данных с помощью Python

Введение в МО

• Луис Серрано: дружелюбное введение в машинное обучение
• StatQuest: краткое введение в машинное обучение
• Машинное обучение для всех . Кратко изложите алгоритмы машинного обучения и их применение простыми словами с примерами из реальной жизни.

Машинным обучением может заниматься каждый

• Обучаемая машина Научите компьютер распознавать ваши собственные изображения, звуки и позы. Быстрый и простой способ создания моделей машинного обучения для ваших сайтов, приложений и многого другого — не требуется никаких знаний или программирования.

МООК

• Машинное обучение, Эндрю Нг, Стэнфорд, IMDB, 10/10, LOL: P
• Datacamp: инженер данных с Python
• Введение в темы машинного обучения, охватываемые наивным байесовским алгоритмом, SVM, деревьями решений, регрессиями, выбросами, кластеризацией, масштабированием функций, обучением текста, выбором функций, PCA, проверкой, оценочными метриками
• Введение в TensorFlow для глубокого обучения. Лучший курс для изучения TensorFlow.
• Сквозное машинное обучение
• ИНСТИТУТ ГЛУБОКОГО ОБУЧЕНИЯ NVIDIA
• Введение в машинное обучение для программистов!
• Практическое глубокое обучение для программистов, версия 3
• ФастАИ

Курсы лучших университетов

Стэнфордский университет

• CS221 — Искусственный интеллект: принципы и методы, Перси Лян и Дорса Садиг
• CS229 — Машинное обучение, Эндрю Нг
• CS230 — Глубокое обучение, Эндрю Нг
• CS231n — Сверточные нейронные сети для визуального распознавания Фей-Фей Ли и Андрей Карпати
• CS224n — Обработка естественного языка с глубоким обучением, Кристофер Мэннинг
• CS234 — Обучение с подкреплением, Эмма Бранскилл
• CS330 — Глубокая многозадачность и метаобучение от Челси Финн
• CS25 - Трансформеры Юнайтед

Университет Карнеги-Меллон

• CS/LTI 11-711: Продвинутое НЛП, Грэм Нойбиг
• CS/LTI 11-747: Нейронные сети для НЛП, Грэм Нойбиг
• CS/LTI 11-737: Многоязычное НЛП, Грэм Нойбиг
• CS/LTI 11-777: Мультимодальное машинное обучение Луи-Филиппа Моренси
• CS/LTI 11-785: Введение в глубокое обучение Бхикша Радж и Рита Сингх
• Учебный курс по НЛП с низкими ресурсами по CS/LTI 2020 от Грэма Нойбига

Массачусетский технологический институт

• 6.S191 — Введение в глубокое обучение Александра Амини и Авы Амини.
• 6.S094 — Глубокое обучение Лекса Фридмана
• 6.S192 - Глубокое обучение искусству, эстетике и творчеству, Али Джаханян

Университетский колледж Лондона

• COMP M050 «Обучение с подкреплением», Дэвид Сильвер

Плейлисты YouTube ML

• Машинное обучение от StatQuest с Джошем Стармером
• Интеллект и обучение с помощью поезда кодирования

Глоссарий машинного обучения

• В этом глоссарии определены общие термины машинного обучения в различных областях, а также термины, специфичные для TensorFlow.

Основы машинного обучения (эти термины будут часто использоваться в приведенных ниже алгоритмах)

• Смещение и дисперсия
• Перекрестная проверка
• Основы машинного обучения: матрица путаницы
• Чувствительность и специфичность
• РПЦ и АУК, понятно объяснено!
• StatQuest: объяснение R-квадрата
• Регуляризация. Часть 1: Ридж-регрессия
• Регуляризация. Часть 2: Лассо-регрессия
• Максимальная вероятность
• Ковариация и корреляция. Часть 1: Ковариация
• Основы статистики: среднее значение, дисперсия и стандартное отклонение
• Основы статистики: параметры населения
• Глоссарий: Статистика
• Глоссарий: машинное обучение
• Глядя на R-квадрат

Математика

• Математика для машинного обучения. В этом посте я собрал отличные электронные ресурсы (МООК, лекции на YouTube, книги) для изучения математики для машинного обучения.
• Математика для машинного обучения — Книга Одна отличная книга обо всем, что связано с математикой для машинного обучения. (бесплатная электронная книга)
• Я настоятельно рекомендую вам просмотреть следующие ресурсы от 3Blue1Brown.
  • Сущность линейной алгебры ▶️
  • Ессен исчисления ▶️
  • Дифференциальные уравнения ▶️
• Гилберт Стрэнг: Линейная алгебра против исчисления ▶️
• Основы интегрального исчисления на тамильском языке ▶️
• Новый курс fast.ai: Вычислительная линейная алгебра
• Книга по линейной алгебре

Питон

• Учебники по программированию на Python от Socratica ▶️
• Учебник по Python от w3schools?
• Изучаете программирование на Python?

Нампи

• Визуальное введение в NumPy и представление данных
• CS231n: Учебное пособие по Python Numpy
• Ресурсы NumPy: часть библиотеки сквозного машинного обучения.
• 100 упражнений (с решениями)
• 101 упражнение NumPy для анализа данных (Python)
• Учебное пособие по Numpy – Введение в ndarray
• Лекции по Sci-Py: NumPy: создание числовых данных и управление ими
• Учебное пособие по Python NumPy для начинающих ▶️ Изучите основы библиотеки NumPy в этом уроке для начинающих. Он предоставляет справочную информацию о том, как работает NumPy и как он соотносится со встроенными списками Python. В этом видео показано, как писать код с помощью NumPy. Он начинается с основ создания массивов, а затем переходит к более сложным вещам. В видео рассказывается о создании массивов, индексировании, математических вычислениях, статистике, изменении формы и многом другом.
• Учебное пособие по Python NumPy – изучение массивов NumPy на примерах
• Учебное пособие по массивам Python Numpy
• Учебное пособие по NumPy: анализ данных с помощью Python
• Предварительные условия глубокого обучения: стек Numpy в Python ▶️

Панды

• Нежное визуальное введение в анализ данных в Python с использованием Pandas
• Анализ данных на Python с помощью панд от Data School ▶️
• Лучшие практики работы с пандами от Data School ▶️
• Учебное пособие по Python Pandas: полное введение для начинающих

Плейлисты YouTube по машинному обучению

• CodeBasics: Учебное пособие по машинному обучению Python ▶️
• StatQuest: машинное обучение ▶️
• senddex: машинное обучение с помощью Python ▶️
• Simplilearn: обучающие видео по машинному обучению ▶️
• Учебное пособие по машинному обучению на Python ▶️
• deeplizard: основы машинного обучения и глубокого обучения ▶️

Визуальные объяснения ML, DL

• MLU-ОБЪЯСНИТЬ
• Объяснитель CNN

Примечание. Ниже вы можете найти лучшие лекции по популярным алгоритмам машинного обучения.

Линейная регрессия

• Линейная регрессия: дружеское введение Луиса Серрано ▶️
• Статистика 101: линейная регрессия, самые основы ▶️
• Площадка для установки линии регрессии
• Площадка для подбора кривой регрессии

Логистическая регрессия

• Линейная регрессия против логистической регрессии | Обучение науке о данных | Эдурека ▶️
• Логистическая регрессия и алгоритм персептрона: дружеское введение Луиса Серрано ▶️

Дерево решений

• StatQuest: Деревья решений ▶️
• StatQuest: Деревья решений, часть 2 – Выбор функций и недостающие данные ▶️
• Дерево решений Введение с примером?
• Дерево решений?
• Питон | Регрессия дерева решений с использованием sklearn?
• МЛ | Логистическая регрессия против классификации дерева решений?

Случайный лес

• StatQuest: Случайные леса. Часть 1. Создание, использование и оценка ▶️
• StatQuest: Случайные леса. Часть 2. Отсутствующие данные и кластеризация ▶️
• Случайные леса для начинающих?

Ускорение машинного обучения

• Учебное пособие по повышению эффективности машинного обучения | Адаптивное повышение, градиентное повышение, XGBoost | Эдурека ▶️
• AdaBoost, понятное объяснение ▶️
• Повышение градиента. Часть 1. Основные идеи регрессии ▶️
• Градиентное повышение. Часть 2. Подробности регрессии ▶️
• Повышение градиента. Часть 3: Классификация ▶️
• Повышение градиента, часть 4: Детали классификации ▶️
• XGBoost Часть 1: Деревья XGBoost для регрессии ▶️
• XGBoost, часть 2: Деревья XGBoost для классификации ▶️
• Ансамблевые методы

СВМ

• Машины опорных векторов (SVM): дружеское введение Луиса Серрано ▶️
• Машины опорных векторов, понятное объяснение!!! от StatQuest ▶️
• Машины опорных векторов. Часть 2: Полиномиальное ядро ​​от StatQuest ▶️
• Машины опорных векторов. Часть 3: Радиальное ядро ​​(RBF) от StatQuest ▶️
• Как работают машины опорных векторов / Как открыть черный ящик ▶️
• Машины опорных векторов — математика интеллекта (неделя 1) ▶️
• Демистификация машин опорных векторов?
• Машина опорных векторов (SVM) — веселое и простое машинное обучение ▶️

Теорема Байеса

• Теорема Байеса и интуитивное понимание вероятности ▶️
• Дружеское введение в теорему Байеса и скрытые марковские модели. ▶️
• Байесовская ловушка ▶️
• Наивный байесовский классификатор: дружественный подход ▶️

K-Ближайшие соседи

• КНН с нуля?
• Основы машинного обучения с алгоритмом K-ближайших соседей?

K-средние

• StatQuest: кластеризация K-средних ▶️
• Учебник по машинному обучению Python — 13: K означает кластеризацию ▶️
• Алгоритм кластеризации K означает - Пример K означает на Python - Алгоритмы машинного обучения - Edureka ▶️

Анализ главных компонентов (PCA)

• StatQuest: Основные идеи PCA всего за 5 минут!!! ▶️
• StatQuest: анализ главных компонентов (PCA), шаг за шагом ▶️
• Анализ главных компонентов (PCA), Луис Серрано ▶️

Вероятностные графические модели

• Специализация по вероятностным графическим моделям

Градиентный спуск с нуля

Лучшее

• Линейная регрессия с использованием градиентного спуска?
• Градиентный спуск, шаг за шагом ▶️
• Стохастический градиентный спуск, понятное объяснение!!! ▶️
• Как работает оптимизация Краткая серия статей об основах оптимизации машинного обучения
• Линейная регрессия с использованием градиентного спуска
  • Код
• Полиномиальная регрессия
• Градиентный спуск в линейной регрессии – математика?
• Основы обратного распространения ошибки в нейронных сетях для чайников ▶️

Очень хорошие

• 3.4: Линейная регрессия с градиентным спуском — интеллект и обучение ▶️
• 3.5: Математика градиентного спуска — интеллект и обучение ▶️
• 3.5a: Исчисление: правило силы – интеллект и обучение ▶️
• 3.5b: Исчисление: цепное правило – интеллект и обучение ▶️
• 3.5c: Исчисление: частичная производная – интеллект и обучение ▶️

Исчезающий градиент

• Проблема исчезающего градиента ▶️
• Как решить проблему исчезающего градиента ▶️

Как обрабатывать локальные минимумы

• https://datascience.stackexchange.com/questions/24534/does-gradient-descent-always-conerge-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-обучение

• Введение в машинное обучение с помощью scikit-learn?
• Машинное обучение Python: учебное пособие по Scikit-Learn

Глубокое обучение

• КНИГА DEEP BLUEBERRY Это небольшая и очень целенаправленная коллекция ссылок о глубоком обучении. Если вы всегда хотели изучить вопросы глубокого обучения, но не знали, с чего начать, возможно, вы наткнулись на нужное место!
• 6.S191: Введение в глубокое обучение (2019)
  • Лекции в классе (YouTube) — MIT 6.S191: Введение в глубокое обучение
  • Лаборатория
• MIT 6.S191 Введение в глубокое обучение (2020)
• MIT 6.S191 Введение в глубокое обучение (2023 г.) (YouTube)
• Основы глубокого обучения MIT: введение и обзор
• MIT Deep Learning, Лекс Фридман
  • Лекции по глубокому обучению (YouTube)
• Глубокое обучение на тамильском языке

Книги о глубоком обучении

• Учебник по глубокому обучению от Яна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля
• Нейронные сети и глубокое обучение Майкла Нильсена
• Гроккинг, глубокое обучение, Эндрю Траск

Документы для глубокого обучения

• Дорожная карта чтения документов по глубокому обучению

НН

• Дружеское введение в глубокое обучение и нейронные сети ▶️
• Машинное обучение для начинающих: введение в нейронные сети? Простое объяснение того, как они работают и как реализовать их с нуля на Python.
• Визуальное и интерактивное руководство по основам нейронных сетей?
• Визуальный и интерактивный взгляд на базовую математику нейронных сетей?
• Архитектуры нейронных сетей ▶️
• Нейронные сети развенчаны Welch Labs ▶️
  • Вспомогательный код для короткого сериала YouTube «Нейронные сети раскрыты».
• Серия «Нейронные сети» от 3Blue1Brows ▶️

Компьютерное зрение

• CS131 Компьютерное зрение: основы и приложения Осень 2019 г.
• CS231A: Компьютерное зрение: от 3D-реконструкции до распознавания. Зима 2018 г.
• CS231n Сверточные нейронные сети для визуального распознавания
• Ноутбуки для компьютерного зрения

Си-Эн-Эн

• CS231n: сверточные нейронные сети для визуального распознавания, весна 2019 г.
• CS231n: сверточные нейронные сети для визуального распознавания
• Дружеское введение в сверточные нейронные сети и распознавание изображений.
• Комплексное руководство по сверточным нейронным сетям — путь ELI5
• Сверточная нейронная сеть Tensorflow (CNN)
• Книга о сверточных сетях
• CNN, часть 1: введение в сверточные нейронные сети
• CS231n Зима 2016 от Andrej Karpathy 15 Видео
• Интуитивное понимание 1D, 2D и 3D сверток в сверточных нейронных сетях
• Объяснитель CNN. Интерактивная система визуализации, призванная помочь неспециалистам узнать о сверточных нейронных сетях (CNN).

Обнаружение объектов

Эволюция сетей обнаружения объектов от Cogneethi

Подробное руководство по обнаружению объектов. Интуитивные лекции по различным темам: от классических методов CV, таких как HOG, SIFT, до методов, основанных на сверточных нейронных сетях, таких как Overfeat, Faster RCNN и т. д. Вы узнаете, как идеи развивались от некоторых из самых ранних статей до текущих. Отсюда и название «Эволюция сетей обнаружения объектов».

• просеять | Преобразование масштабного инвариантного объекта
• Свинья интуиция | Гистограмма ориентированных градиентов
• НМС | Не максимальное подавление
• Локализация объекта | Регрессия ограничивающего прямоугольника
• Обнаружение объектов
• РЦНН
• Сопоставление пространственных пирамид | СЗМ
• Обнаружение объектов SPPNet
• Быстрая сеть RCNN
• Быстрее RCNN
• Обнаружение объектов Yolo v4 — как это работает и почему это так здорово!
• Фреймворки и библиотеки
  • Detectron2 от Facebook AI
  • ММобнаружение
  • МедиаПайп
  • ЙОЛО
  • API обнаружения объектов TensorFlow
  • Рецепты компьютерного зрения
• Инструменты для маркировки
  • МеткаImg
  • Робопоток
  • Этикетка Студия
• Примеры кода
  • YOLO-API подсчета объектов

Обнаружение 3D-объектов

• Анонс набора данных Objectron | Блог Google по искусственному интеллекту
• МедиаПайп Объектрон | Объектрон (обнаружение 3D-объектов)

Сегментация изображений

• Учебное пособие по компьютерному зрению: пошаговое введение в методы сегментации изображений (часть 1)

ГАНы

• Дружественное введение в генеративно-состязательные сети (GAN), Луис Серрано
• Генеративно-состязательные сети (GAN), Ахлад Кумар
• Создаём наш первый простой GAN
• Редактирование лица с помощью генеративно-состязательных сетей
• Вариационные автоэнкодеры
• Генеративно-состязательные сети (GAN) в 50 строках кода (PyTorch)
• Генеративные модели

Передача стиля

• TensorFlow CNN для быстрой передачи стилей ⚡???

НЛП

• CS224n: обработка естественного языка с глубоким обучением
• НЛП и реформатор
• Иллюстрированное Word2vec

РНН

• Иллюстрированное руководство по рекуррентным нейронным сетям: понимание интуиции
• Любой может научиться кодировать LSTM-RNN на Python (Часть 1: RNN) Детские шаги к первым воспоминаниям вашей нейронной сети.
• Неоправданная эффективность рекуррентных нейронных сетей
• Введение в рекуррентные нейронные сети для начинающих. Простое описание того, что такое RNN, как они работают и как создать их с нуля на Python.
• Внимание и расширенные рекуррентные нейронные сети от Distill
• Визуализация запоминания в RNN с помощью дистилляции. Проверка величин градиента в контексте может быть мощным инструментом, позволяющим увидеть, когда повторяющиеся единицы используют краткосрочное или долгосрочное контекстуальное понимание.
• Глубокое обучение для НЛП: объяснение ИНС, РНС и LSTM!

ЛСТМ

• Понимание сетей LSTM
• Объяснение реализации LSTM
• Нежное введение в автоэнкодеры LSTM

Трансформеры и внимание к себе

Визуальное руководство по нейронным сетям трансформаторов (настоятельно рекомендуется)

• Часть 1. Встраивание позиций
• Часть 2. Многоголовость и внимание к себе
• Часть 3. Замаскированное внимание декодера
• Плейлист «Внимание НЛП Трансформеры»
• Иллюстрированный трансформер
• Аннотированный Трансформер
• Трансформеры: бумага и код
• Трансформеры с нуля
• Трансформеры: заметки
• Объяснение трансформаторов: понимание модели GPT-3, BERT и T5
• Полный обзор вариантов трансформаторов.
• Как стать гуру НЛП и трансформер-моделей
• [МАСТЕРКЛАСС] Трансформеры | Модели внимания

БЕРТ

• Объяснение BERT простыми эскизами
• Визуальное руководство по первому использованию BERT
• The Illustrated BERT, ELMo и компания. (Как НЛП взломало трансферное обучение)
• Объяснение BERT: современная языковая модель для НЛП
• BioBERT, модель языкового представления для биомедицинской области, специально разработанная для задач биомедицинского анализа текста, таких как распознавание биомедицинских именованных объектов, извлечение отношений, ответы на вопросы и т. д.

GPT

• Иллюстрированный GPT-2 (Визуализация языковых моделей трансформеров)

Обучение с подкреплением

• Курс глубокого обучения с подкреплением ?️ Бесплатный курс глубокого обучения с подкреплением от новичка до эксперта.
• Реализация алгоритмов обучения с подкреплением. Python, OpenAI Gym, Tensorflow. Упражнения и решения в дополнение к книге Саттона и курсу Дэвида Сильвера.
• Набор инструментов для агентов машинного обучения Unity
• Пишу свою первую игру по машинному обучению! (1/4)
• Глубокое обучение с подкреплением: понг из пикселей, Андрей Карпати
• Руководство для начинающих по глубокому обучению с подкреплением
• Введение в ML-агенты Unity
• Алгоритмы глубокого обучения с подкреплением с помощью PyTorch
• ЛЕКЦИИ: Введение в обучение с подкреплением - Дэвид Сильвер
• КНИГА: Обучение с подкреплением. Введение Саттона и Барто.
• КНИГА: Практика глубокого обучения с подкреплением Максима Лапана

PyTorch

• Udacity: глубокое обучение с помощью PyTorch
• Глубокое обучение (PyTorch): код
• Udacity: безопасный ИИ
• СЦЕНАРИЙ ФАКЕЛА
• PyTorchZeroToAll (на английском языке) Сунг Ким, серия из 14 видеороликов
  • Поддерживающий код
  • Слайды

ТензорФлоу

• Введение в TensorFlow 2.0: проще для новичков и мощнее для экспертов (TF World '19)
• TensorFlow Lite: решение для запуска машинного обучения на устройстве (TF World '19)
• Машинное обучение в JavaScript (TensorFlow Dev Summit 2018)
• TensorFlow.js Быстрый старт
• Keras против tf.keras: в чем разница в TensorFlow 2.0?
• Как запустить TensorFlow Lite на Raspberry Pi для обнаружения объектов
• Как компьютеры учатся мгновенно распознавать объекты | Джозеф Редмон

Курсы TensorFlow

• Введение в TensorFlow для глубокого обучения
• Специализация «TensorFlow на практике»: Coursera
• TensorFlow: Специализация по данным и развертыванию: Coursera

PyTorch против TensorFlow

• Почему PyTorch становится настолько популярным среди инженеров по машинному обучению?

Трансферное обучение

• Перенос обучения с помощью Keras и глубокого обучения
• Комплексное практическое руководство по передаче обучения с использованием реальных приложений в области глубокого обучения
• Основные руководства по TensorFlow

Развертывание моделей

• Машинное обучение за 5 минут: как развернуть модель машинного обучения (объясняет инженер SurveyMonkey)
• Развертывание моделей машинного обучения с помощью Django
• MlFlow — платформа с открытым исходным кодом для жизненного цикла машинного обучения.
• TensorFlow: специализация по данным и развертыванию

MlOps

• MLOps Primer — 2021 Сборник ресурсов для изучения MLOps.

Код

• кодбазисс/py
• Google Codelabs

Шпаргалки

• Искусственный интеллект
• Машинное обучение
• Глубокое обучение
• Советы и рекомендации по машинному обучению
• Инструменты обработки данных
• Машинное обучение с R
• КРИС АЛБОН Шпаргалки и карточки для чтения
• MLOps Tooling Landscape v2 (+84 новых инструмента) — декабрь 2020 г.
• Математические инструменты
• Обыкновенные дифференциальные уравнения для инженеров

Комплекты Edge ML

• Комплект разработчика Nvidia Jetson Nano
• Intel® Neural Compute Stick 2 (Intel® NCS2)
• Коралл

Соревнования по науке о данных

• Каггл

Важный Ютуб? Каналы в сфере AI/ML/RL/DS

• 3Синий1Коричневый
• StatQuest с Джошем Стармером
• Сентдекс
• Луис Серрано
• Брэндон Рорер
• глубокая ящерица
• Техника с Тимом
• Microsoft Исследования
• Кори Шафер
• Школа данных
• Двухминутные статьи
• Уэлч Лаборатории
• Простое обучение
• Отличное обучение
• DeepLearning.TV
• ТензорФлоу
• Глубокое обучение.ай
• Кодовый маркер
• эдурека!
• Лекс Фридман
• Канал искусственного интеллекта
• freeCodeCamp.org
• CloudxLab
• Александр Амини
• Джефф Хитон
• Абхишек Тхакур
• Кодирующий поезд

Ссылка

• С КАК НАЧАТЬ МАШИННОЕ ОБУЧЕНИЕ!
• Моя собственная степень магистра искусственного интеллекта
• https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
• Основы машинного обучения от StatQuest
• Машинное обучение с помощью Python от senddex
• 5 простых шагов для начинающих по изучению машинного обучения и науки о данных с помощью Python - Дэниел Бурк
• Школа данных
• Нейронные сети и глубокое обучение
• https://www.machinelearningisfun.com/
• https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
• https://medium.com/greyatom
• https://greyatom.com/glabs
• Джон Сирл: «Сознание в искусственном интеллекте» | Переговоры в Google
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/tree/master/week3-classification-reгрессия
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning