AILearners
1.0.0
AIMI-CN Рекомендованные маршруты обучения ИИ и примечания к курсу
Мы группа энтузиастов, которые любят обучение ИИ! Здесь мы учимся вместе, призываем друг друга и демонстрируем вместе ~
Мы обновили некоторые заметки, связанные с AI, включая алгоритмы, машинное обучение, глубокое обучение и обработку естественного языка.
Группа обучения и коммуникации AIMI-CN AI (существуют различные ресурсы, связанные с ИИ) [1015286623] 
Наша официальная учетная запись также будет время от времени продвигать различную полезную информацию, ожидая, когда вы будете следовать ~
Поиск на официальной учетной записи WeChat: «AI-Ming3526» или «Computer Vision», чтобы получить больше ресурсов машинного обучения в области искусства
Направить вас к началу обучения машинного обучения ~
Подробный адрес статьи
Адрес исходного кода
Онлайн -заметки Ниуке на «Предложение мехлеж» Цель улучшить наши возможности алгоритма ~
Подробный адрес статьи
адрес CSDN
Откройте для вас дверь для машинного обучения ~
Подробный адрес примечаний
Позвольте вам использовать код, чтобы испытать машинное обучение ~
Подробный адрес курса.
Практическое машинное обучение книги
Исходный код и загрузка наборов данных
Подробное введение в то, что такое нейронные сети, CNN, RNN и GAN ~
Подробный адрес примечаний
Давайте изучим самые современные знания НЛП вместе ~
CS224N Курс подробные заметки
CS224N Код извлечения учебных материалов: E234
Ссылка на видео на YouTube можно найти в Китае на билибили
Узнайте NLP в реальном коде ~
Подробный адрес примечаний
Адрес загрузки кода и книги
Предварительные условия для просмотра:
Выбор, метод, настойчивость <br> Мы все знаем, что сейчас есть много ресурсов. ! !
Перепечатка очень мощного маршрута обучения ИИ, составленного несколькими очень удивительными организациями |
Учебное пособие требует определенной математической основы, но это просто маленькая математическая основа.
Я проанализирую, как учиться на основе моего маленького опыта ---
Первое, что вам нужно, это два сдачи:
Правильно, это просто отказаться от много информации! Когда мы хотим начать работу с машинным обучением, мы часто собираем много информации, такой как внутренние ресурсы XX Школьного машинного обучения, машинное обучение от вступительного до расширенных 100 g ресурсов, учебные пособия XX искусственного интеллекта и т. Д. Много раз мы берем более десяти или сотен G учебных ресурсов, а затем помещаем их в определенный облачный диск, чтобы хранить их, ожидая медленно учиться в будущем. Мало кто знает, что 90% людей просто собирают информацию и сохраняют информацию, и забыли открыть обучение после того, как оставили ее на облачном диске в течение года или двух. Информация, лежащая на облачном диске, часто-это просто самооценка и «самовосстанавливающийся» чувство безопасности, которое большинство людей «усердно изучают в будущем». Более того, когда сталкивается с большим количеством учебных материалов, легко попасть в состояние путаницы. Боже мой, есть так много вещей, которые я не узнал! Проще говоря, чем больше вы выбираете, тем легче попасть в дилемму отсутствия выбора.
Итак, первый шаг - отказаться от огромного количества информации! Вместо этого выберите часть информации, которая действительно подходит вам, и тщательно изучите ее!
Говоря о начале работы, многие люди будут думать, что они должны начать с самых основных знаний! Машинное обучение - это сложная технология, которая интегрирует теорию вероятности, линейную алгебру, выпуклой оптимизации, компьютер, нейробиологию и другие аспекты. Существует много теоретических знаний, необходимых для хорошо изучения машинного обучения. вывод и т. д. Тем не менее, недостаток в этом заключается в том, что оно требует много времени и может легко вызвать «слабое обучение» и развеять энтузиазм к обучению. Поскольку оценка книг и выводов является относительно скучным, гораздо меньше вероятность стимулирует ваш энтузиазм по поводу обучения, чем создание простой модели регрессии самостоятельно. Конечно, это не то, что вам не нужно изучать базовые знания, базовые теоретические знания очень важны! Просто при начале работы лучше сначала иметь систематическое понимание структуры верхнего уровня, а затем от практики к теории, проверить отсутствие и исправлять знания машинного обучения целенаправленным образом. От макроса до микро, от общего до деталей, он более способствует быстрому началу машинного обучения! Более того, с точки зрения энтузиазма в обучении, он также играет роль «положительной обратной связи».
Хорошо, после разговора о двух «сдачах» перед началом работы с машинным обучением, мы представим маршрут входа.
Я лично думаю, что математические основы, которые необходимы в первую очередь: теория вероятности, теория матрицы и исчисление. Неважно, если у вас нет, просто учитесь во время просмотра.
【Бесплатно】 Математическая преподавание видеоизвента в Академию Хана
| Вероятность | статистика | Линейная алгебра |
|---|---|---|
| Ханская академия (вероятность) | Ханская академия (статистика) | Ханская академия (линейная алгебра) |
【Бесплатно】 Машина/Глубокое обучение видео
| Машинное обучение | Глубокое обучение |
|---|---|
| Нг машинное обучение | Нейронные сети и глубокое обучение |
Затем я рекомендую группу домашних бигвигов, которые являются более простыми и могут записывать видео с машинным обучением с небольшим количеством легче понять, чем мистер Нг.
Машинное обучение практической практикой-Апахекн Китайская организация с открытым исходным кодом
Общий контент - выучить книгу «Практическое машинное обучение»
Практическое машинное обучение книги
Машинное обучение практические видео
По сути, завершение вышеуказанных курсов считается вводным. Далее вы можете ориентироваться на свои интересы и направления. Например, вы можете продолжать изучать курс Stanford CS231N:
CS231N: сверточные нейронные сети для визуального распознавания
Если вы сосредоточитесь на NLP, вы можете выучить курс Stanford CS224N:
CS224N: обработка естественного языка с глубоким обучением
Конечно, курсы NTU Lee Hongyi также очень хороши:
Хун-Йи Ли
Конечно, будут соответствующие переводы видео в этих домашних бигвигах (B).
На рынке есть много книг, которые вводят технологию обработки естественного языка, а также есть много курсов обучения и веб -сайтов в Интернете. Однако после расследования было обнаружено, что Стэнфордский CS224N: обработка естественного языка для глубокого обучения была предпочтена большинством энтузиастов НЛП. Однако, насколько нам известно, в 2019 году нет китайских учебных заметок о последнем курсе CS224N. Поэтому, чтобы лучше начать работу с научными исследованиями NLP, мы здесь, чтобы поделиться с вами своим опытом обучения и надеемся поучиться с вами.
Обработка естественного языка (NLP) является одной из наиболее важных технологий в области информации и ключевой частью искусственного интеллекта. Приложения НЛП везде, потому что люди общаются почти на языке: веб -поиск, реклама, электронная почта, обслуживание клиентов, языковой перевод, медицинские отчеты и т. Д. В последние годы методы глубокого обучения достигли очень высокой производительности во многих различных задачах НЛП, используя одну сквозной нейронной модели без необходимости традиционной, конкретной задачи. Есть два основных различия в курсах 2019 года по сравнению с прошлым. Во -первых, используйте Pytorch вместо Tensorflow, а во -вторых, расположение курса ближе. Благодаря этому курсу каждый будет учиться, реализовать и понимать навыки, которые им необходимы для выполнения собственных моделей нейронной сети.
1. Понять основное использование Python
2. Понять основное исчисление, линейную алгебру и статистику вероятности
3. иметь определенное понимание машинного обучения
4. Заинтересованы в обучении НЛП
Тем не менее, нам не нужно начинать учиться с нуля, что уменьшит наш интерес к обучению. Поэтому, пока мы продолжаем компенсировать недостатки наших собственных предпосылок в процессе обучения, мы обязательно войдем в дверь обучения НЛП.
Логотип организации:
