ai learning roadmap

所有AI相关学习资料和AI应用入门实用工具列表

---

设计思维——简介

• 斯坦福大学设计思维虚拟速成课程

---

亚马逊网络服务学习材料

• AWS AI 会议 – 该会议概述了所有 Amazon AI 技术产品（Lex、Polly、Rekognition、ML 和深度学习 AMI）

自定进度实验室

AWS 自定进度实验室通过 AWS 服务和真实云场景在实时 AWS 环境中提供实践练习。按照分步说明学习服务、练习用例或准备 AWS 认证。

介绍实验室

• AWS Lambda 简介

莱克斯

• Amazon Lex 简介
• Amazon Lex 网络研讨会
• Amazon Lex：AWS 对话界面（聊天机器人）
• 文档

波莉

• Amazon Polly 简介
• Amazon Polly 网络研讨会 -
• Amazon Polly – AWS 文本转语音 (TTS) 服务
• 文档
  • 什么是 Amazon Polly？
  • 开发者资源

重新认知

• Amazon Rekognition 简介
• Amazon Rekognition - 基于深度学习的图像分析网络研讨会
• Amazon Rekognition – AWS 图像识别服务
• 文档 – 什么是 Amazon Rekognition？

机器学习

• 机器学习

• 第 1 场会议 – 赋能开发人员构建智能应用程序

• 第 2 节 - 使用 Amazon 机器学习预测客户流失

• AWS 机器学习 – 端到端托管服务，用于创建和测试 ML 模型，然后将这些模型部署到生产中

• 文档

  • 什么是亚马逊机器学习？
  • 开发者资源

• AWS Deep Learning AMI – 针对深度学习工作进行优化的亚马逊机器映像 (AMI)

推荐的额外资源

通过基础、高级和专家级实验室将您的技能提升到新的水平。

• 使用 Microsoft Windows 创建 Amazon EC2 实例
• 构建您的第一个 Amazon 虚拟私有云 (VPC)
• 在 Windows 上使用 AWS CodeCommit
• 使用 Amazon DynamoDB

---

Google Cloud - 学习材料

以下学习材料将帮助您了解 Google Cloud。

网络

• 社交 101 – 43 分钟

Codelab提供常见的云开发者体验如下：

• 设置您的实验室环境并了解如何使用您的 GCP 环境。
• 使用常见的开源工具探索您在世界各地的网络。
• 部署常见用例：使用 HTTP 负载平衡和托管实例组来托管可扩展的多区域 Web 服务器。
• 测试和监控您的网络和实例。
• 清理。

为 Google Cloud Platform 开发解决方案 – 8 小时

基础设施

• 在 Kubernotes 上使用 Node.js 构建 Slack 机器人 – 43 分钟
• 创建虚拟机 – 10 分钟
• App Engine 入门 (Python) – 13 分钟

数据

• Google Cloud 数据准备简介 – 7 分钟
• 使用 Cloud SQL 创建托管 MySQL 数据库 – 19 分钟
• 将对象上传到云存储 – 11 分钟

人工智能、大数据和机器学习

• Google Cloud 机器学习简介 – 1 小时
• 机器学习 API 示例 – 30 分钟
• Google Cloud Platform 大数据和机器学习基础知识

其他人工智能材料

• Auto-awesome：Google Cloud 平台上的高级数据科学 – 45 分钟
• 在 Cloud Dataflow 中运行大数据文本处理管道 – 21 分钟
• 使用 Cloud ML Engine 和 Datalab 进行图像分类 – 58 分钟
• 使用 Cloud ML Engine 和 Datalab 进行结构化数据回归 – 58 分钟

（可选）深度学习和 Tensorflow

• Tensorflow 和深度学习教程 – 2:35 小时
• 深度学习课程 – 仅限高级用户

附加参考资料

• 大数据和机器学习 @ Google Cloud Next '17 - 49 个视频的集合

---

IBM Watson 学习材料

（欢迎在此空间做出贡献）

• IBM 沃森概述
• IBM Watson 认知 API
• IBM Watson 知识工作室

视觉工作室

UCI 数据集

---

Microsoft 聊天机器人学习材料

技能先决条件

• Git 和 Github
• NodeJS
• VS 代码集成开发环境

培训路径

如果您具备上述先决技能，则选择高级培训路径，否则选择新手培训路径。

先决条件教程

• Git 和 Github
• Node.js
  • Node.js 初学者教程
  • VS Code 中的 Node.js 教程
• Visual Studio 代码简介

新手训练路径

环境搭建

• 下载并安装 Git
• 设置 GitHub 帐户_
• 下载并安装 NodeJS
• 下载并安装 IDE - Visual Studio Code
• 下载并安装 Bot Framework 模拟器
• Git 克隆 Bot Education 项目 - git clone
• 设置 Azure 免费试用帐户

认知服务（定义智力）

• 阅读认知服务 ADS 教育平台 – git clone
• 查看使用 LUIS 理解自然语言的指南
• 从已安装的 Bot Education 项目完成 NLP (LUIS) 培训实验室 – bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md

机器人框架（构建聊天机器人）

• 从下载的（您的路径）bot-extras 中阅读 Bot Framework ADS Education Deck
• 查看 Bot 框架文档（核心概念、NodeJS 的 Bot Builder 和 Bot Intelligence）-
• 设置本地环境并从已安装的 Bot Education 项目运行模拟器 – bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
• 在模拟器中查看并测试 bot-educationStudent-ResourcesBOTsNodebot-hello 中的“bot-hello”

高级培训路径

环境搭建

• 下载并安装 Git
• 设置 GitHub 帐户_
• 下载并安装 NodeJS
• 下载并安装 IDE - Visual Studio Code
• 下载并安装 Bot Framework 模拟器
• Git 克隆 Bot Education 项目 - git clone
• 设置 Azure 免费试用帐户
• Git 克隆 Bot Builder 示例 – git clone

认知服务（定义智力）

• 阅读认知服务 ADS 教育平台 – git clone
• 查看使用 LUIS 理解自然语言的指南

机器人框架（构建聊天机器人）

• 从下载的（您的路径）bot-extras 中阅读 Bot Framework ADS Education Deck
• 查看 Bot 框架文档（核心概念、NodeJS 的 Bot Builder 和 Bot Intelligence）-
• 设置本地环境并从已安装的 Bot Education 项目运行模拟器 – bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md

认知服务（定义智力）- 实验室

• 从已安装的 BOT 教育项目完成 NLP (LUIS) 培训实验室
  • bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md
• 查看、部署和运行 LUIS BOT 示例

机器人框架（构建聊天机器人）——实验室

• 设置本地环境并从已安装的 Bot Education 项目运行模拟器
  • bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
• 在模拟器中查看并测试“bot-hello”
  • bot-educationStudent-ResourcesBOTsNodebot-hello
• 在模拟器中查看和测试“机器人识别器”
  • bot-educationStudent-ResourcesBOTsNodebot-recognizers

---

讲座视频

<标题> </标题> <脚本src =“js/navigation.js”> </脚本>

来源伯克利

	讲座标题	讲师	学期
第一讲	介绍	丹·克莱因	2012 年秋季
第二讲	不知情的搜索	丹·克莱因	2012 年秋季
第三讲	知情搜索	丹·克莱因	2012 年秋季
第四讲	约束满足问题 I	丹·克莱因	2012 年秋季
第五讲	约束满足问题II	丹·克莱因	2012 年秋季
第六讲	对抗性搜索	丹·克莱因	2012 年秋季
第7讲	Expectimax 和实用程序	丹·克莱因	2012 年秋季
第8讲	马尔可夫决策过程 I	丹·克莱因	2012 年秋季
第9讲	马尔可夫决策过程 II	丹·克莱因	2012 年秋季
第10讲	强化学习一	丹·克莱因	2012 年秋季
第11讲	强化学习二	丹·克莱因	2012 年秋季
第12讲	可能性	彼得·阿贝尔	2014年春季
第13讲	马尔可夫模型	彼得·阿贝尔	2014年春季
第14讲	隐马尔可夫模型	丹·克莱因	2013 年秋季
第15讲	HMM/语音的应用	彼得·阿贝尔	2014年春季
第16讲	贝叶斯网络：表示	彼得·阿贝尔	2014年春季
第17讲	贝叶斯网络：独立性	彼得·阿贝尔	2014年春季
第18讲	贝叶斯网络：推理	彼得·阿贝尔	2014年春季
第19讲	贝叶斯网络：采样	彼得·阿贝尔	2013 年秋季
第20讲	决策图/完美信息的价值	彼得·阿贝尔	2014年春季
第21讲	机器学习：朴素贝叶斯	尼古拉斯·海伊	2014年春季
第22讲	机器学习：感知器	彼得·阿贝尔	2014年春季
第23讲	机器学习：内核和聚类	彼得·阿贝尔	2014年春季
第24讲	高级应用：NLP、游戏和机器人汽车	彼得·阿贝尔	2014年春季
第25讲	高级应用：计算机视觉和机器人技术	彼得·阿贝尔	2014年春季

此外，还有额外的分步视频作为讲座材料的补充。这些视频如下：

	讲座标题	讲师	笔记
SBS-1	深度优先搜索和广度优先搜索	彼得·阿贝尔	Lec：不知情的搜索
SBS-2	A* 搜索	彼得·阿贝尔	Lec：知情搜索
SBS-3	Alpha-Beta 修剪	彼得·阿贝尔	Lec：对抗性搜索
SBS-4	D-分离	彼得·阿贝尔	Lec：贝叶斯网：独立
SBS-5	消除一个变量	彼得·阿贝尔	Lec：贝叶斯网络：推理
SBS-6	变量消除	彼得·阿贝尔	Lec：贝叶斯网络：推理
SBS-7	采样	彼得·阿贝尔	Lec：贝叶斯网络：采样
SBS-8	最大似然法	彼得·阿贝尔	讲座：机器学习：朴素贝叶斯
SBS-9	拉普拉斯平滑	彼得·阿贝尔	讲座：机器学习：朴素贝叶斯
SBS-10	感知器	彼得·阿贝尔	Lec：机器学习：感知器

---

******************

每学期视频档案（伯克利）

最新课程的讲座视频发布如下。

2014年春季讲座视频
2013年秋季讲座视频
2013年春季讲座视频
2012 年秋季讲座视频

2014年春季

	讲座标题	讲师	笔记
第一讲	介绍	彼得·阿贝尔
第二讲	不知情的搜索	彼得·阿贝尔
第三讲	知情搜索	彼得·阿贝尔
第四讲	约束满足问题 I	彼得·阿贝尔	录音有点不稳定，请参阅 2013 年秋季讲座 4 了解替代方法
第五讲	约束满足问题II	彼得·阿贝尔
第六讲	对抗性搜索	彼得·阿贝尔
第7讲	Expectimax 和实用程序	彼得·阿贝尔
第8讲	马尔可夫决策过程 I	彼得·阿贝尔
第9讲	马尔可夫决策过程 II	彼得·阿贝尔
第10讲	强化学习一	彼得·阿贝尔
第11讲	强化学习二	彼得·阿贝尔
第12讲	可能性	彼得·阿贝尔
第13讲	马尔可夫模型	彼得·阿贝尔
第14讲	隐马尔可夫模型	彼得·阿贝尔	录音有点不稳定，请参阅 2013 年秋季讲座 18 了解替代方案
第15讲	HMM/语音的应用	彼得·阿贝尔
第16讲	贝叶斯网络：表示	彼得·阿贝尔
第17讲	贝叶斯网络：独立性	彼得·阿贝尔
第18讲	贝叶斯网络：推理	彼得·阿贝尔
第19讲	贝叶斯网络：采样	彼得·阿贝尔	未录制，请参阅 2013 年秋季讲座 16
第20讲	决策图/完美信息的价值	彼得·阿贝尔
第21讲	机器学习：朴素贝叶斯	尼古拉斯·海伊
第22讲	机器学习：感知器	彼得·阿贝尔
第23讲	机器学习：内核和聚类	彼得·阿贝尔
第24讲	高级应用：NLP、游戏和机器人汽车	彼得·阿贝尔
第25讲	高级应用：计算机视觉和机器人技术	彼得·阿贝尔
第26讲	结论	彼得·阿贝尔	未记录

******************

2013 年秋季

	讲座标题	讲师	笔记
第一讲	介绍	丹·克莱因
第二讲	不知情的搜索	丹·克莱因
第三讲	知情搜索	丹·克莱因
第四讲	约束满足问题 I	丹·克莱因
第五讲	约束满足问题II	丹·克莱因
第六讲	对抗性搜索	丹·克莱因
第7讲	Expectimax 和实用程序	丹·克莱因
第8讲	马尔可夫决策过程 I	丹·克莱因
第9讲	马尔可夫决策过程 II	丹·克莱因
第10讲	强化学习一	丹·克莱因
第11讲	强化学习二	丹·克莱因
第12讲	可能性	彼得·阿贝尔
第13讲	贝叶斯网络：表示	彼得·阿贝尔
第14讲	贝叶斯网络：独立性	丹·克莱因
第15讲	贝叶斯网络：推理	彼得·阿贝尔
第16讲	贝叶斯网络：采样	彼得·阿贝尔
第17讲	决策图/完美信息的价值	彼得·阿贝尔
第18讲	隐马尔可夫模型	丹·克莱因
第19讲	HMM/语音的应用	丹·克莱因
第20讲	机器学习：朴素贝叶斯	丹·克莱因
第21讲	机器学习：感知器	丹·克莱因
第22讲	机器学习：内核和聚类	彼得·阿贝尔
第23讲	机器学习：决策树和神经网络	彼得·阿贝尔
第24讲	高级应用：NLP 和机器人汽车	丹·克莱因	未录制，参见 2013 年春季讲座 24
第25讲	高级应用：计算机视觉和机器人技术	彼得·阿贝尔
第26讲	结论	丹·克莱因, 彼得·阿贝尔	未记录

******************

2013年春季

	讲座标题	讲师	笔记
第一讲	介绍	彼得·阿贝尔	视频下载
第二讲	不知情的搜索	彼得·阿贝尔
第三讲	知情搜索	彼得·阿贝尔
第四讲	约束满足问题 I	彼得·阿贝尔
第五讲	约束满足问题II	彼得·阿贝尔	未录制，请参阅 2012 年秋季讲座 5
第六讲	对抗性搜索	彼得·阿贝尔
第7讲	Expectimax 和实用程序	彼得·阿贝尔
第8讲	马尔可夫决策过程 I	彼得·阿贝尔
第9讲	马尔可夫决策过程 II	彼得·阿贝尔
第10讲	强化学习一	彼得·阿贝尔
第11讲	强化学习二	彼得·阿贝尔
第12讲	可能性	彼得·阿贝尔
第13讲	贝叶斯网络：表示	彼得·阿贝尔
第14讲	贝叶斯网络：独立性	彼得·阿贝尔
第15讲	贝叶斯网络：推理	彼得·阿贝尔
第16讲	贝叶斯网络：采样	彼得·阿贝尔
第17讲	决策图/完美信息的价值	彼得·阿贝尔
第18讲	隐马尔可夫模型	彼得·阿贝尔
第19讲	HMM/语音的应用	彼得·阿贝尔
第20讲	机器学习：朴素贝叶斯	彼得·阿贝尔
第21讲	机器学习：感知器 I	尼古拉斯·海伊
第22讲	机器学习：感知器 II	彼得·阿贝尔
第23讲	机器学习：内核和聚类	彼得·阿贝尔
第24讲	高级应用：NLP 和机器人汽车	彼得·阿贝尔
第25讲	高级应用：计算机视觉和机器人技术	彼得·阿贝尔
第26讲	结论	彼得·阿贝尔	未记录

******************

2012 年秋季

	讲座标题	讲师	笔记
第一讲	介绍	丹·克莱因
第二讲	不知情的搜索	丹·克莱因
第三讲	知情搜索	丹·克莱因
第四讲	约束满足问题 I	丹·克莱因
第五讲	约束满足问题II	丹·克莱因
第六讲	对抗性搜索	丹·克莱因
第7讲	Expectimax 和实用程序	丹·克莱因
第8讲	马尔可夫决策过程 I	丹·克莱因
第9讲	马尔可夫决策过程 II	丹·克莱因
第10讲	强化学习一	丹·克莱因
第11讲	强化学习二	丹·克莱因
第12讲	可能性	彼得·阿贝尔
第13讲	贝叶斯网络：表示	彼得·阿贝尔
第14讲	贝叶斯网络：独立性	彼得·阿贝尔
第15讲	贝叶斯网络：推理	彼得·阿贝尔
第16讲	贝叶斯网络：采样	彼得·阿贝尔
第17讲	决策图/完美信息的价值	彼得·阿贝尔
第18讲	隐马尔可夫模型	彼得·阿贝尔
第19讲	HMM/语音的应用	丹·克莱因
第20讲	机器学习：朴素贝叶斯	丹·克莱因
第21讲	机器学习：感知器	丹·克莱因
第22讲	机器学习：内核和聚类	丹·克莱因
第23讲	机器学习：决策树和神经网络	彼得·阿贝尔
第24讲	高级应用：计算机视觉和机器人技术	彼得·阿贝尔
第25讲	高级应用：NLP 和机器人汽车	丹·克莱因, 彼得·阿贝尔	未记录
第26讲	结论	丹·克莱因, 彼得·阿贝尔	未记录

******************

讲座幻灯片

这是完整的讲座幻灯片集，包括视频和讲座中运行的演示视频：幻灯片 [~3 GB]。

下面的列表包含所有讲座的 Powerpoint 幻灯片：

• 第一讲：简介
• 第 2 讲：无信息搜索
• 第 3 讲：知情搜索
• 第 4 讲：CSP I
• 第 5 讲：CSP II
• 第 6 讲：对抗性搜索
• 第 7 讲：Expectimax 搜索和实用程序
• 第 8 讲：MDP I
• 第 9 讲：MDP II
• 第10讲：强化学习I
• 第11讲：强化学习II
• 第12讲：概率
• 第13讲：马尔可夫模型
• 第14讲：隐马尔可夫模型
• 第15讲：粒子滤波器和HMM的应用
• 第 16 讲：贝叶斯网络 I：表示
• 第17讲：贝叶斯网络II：独立性
• 第 18 讲：贝叶斯网络 III：推理
• 第 19 讲：贝叶斯网络 IV：采样
• 第20讲：决策图和VPI
• 第21讲：朴素贝叶斯
• 第22讲：感知器
• 第23讲：核和聚类
• 第24讲：高级应用（NLP、游戏、汽车）
• 第25讲：高级应用（计算机视觉和机器人）
• 第26讲：结论

Berkeley AI 正在准备所有现场讲座演示的源文件以供发布

---

研究论文精选

• AI 最新 arxiv 论文提交

• Peter Norvig-十年自学编程

• 如何在麻省理工学院人工智能实验室进行研究

• 机器智能路线图

• 使用递归神经网络进行协同过滤 (2016)

• 推荐系统的广泛和深度学习 (2016)

• 通过边缘化去噪自动编码器进行深度协同过滤 (2015)

• 非参数贝叶斯多任务协同过滤 (2013)

• Tensorflow：异构分布式系统上的大规模机器学习

• https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf

• Theano：CPU 和 GPU 数学表达式编译器。

• Caffe：用于快速特征嵌入的卷积架构

• Chainer：强大、灵活且直观的神经网络框架

• 大规模分布式深度网络

• 使用卷积神经网络进行大规模视频分类

• 向量空间中词表示的有效估计

• 作为外语的语法

• 深入研究卷积

• 用于语音处理的整流线性单元

• 用于语音识别中声学建模的深度神经网络：四个研究小组的共同观点。

• 使用深度卷积神经网络从街景图像中识别多位数字

• 谷歌将其利润丰厚的网络搜索交给人工智能机器

斯坦福大学教学大纲 CS 20SI：用于深度学习研究的 Tensorflow

• 基于人群的个性化自然语言推荐解释

深度学习软件框架的比较研究

** Reddit_ML-你在读什么**

• 人工智能驱动的社交机器人（2017 年 6 月 16 日）

---

人工智能的众多部落

资料来源：https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53

******************

深度学习路线图

来源：https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a

******************

训练深度学习网络的最佳实践

资料来源：https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53

ML/DL 备忘单

神经网络架构

资料来源：http://www.asimovinstitute.org/neural-network-zoo/

---

微软Azure算法流程图

资料来源：https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet

---

SAS 算法流程图

资料来源：http://blogs.sas.com/content/subthoughtmusings/2017/04/12/machine-learning-algorithm-use/

******************

算法总结

资料来源：http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

****************** 来源：http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/

****************** ### 算法优点/缺点来源：https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend

******************

Python

---

算法

资料来源：https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/

******************

Python 基础知识

资料来源：http://datasciencefree.com/python.pdf

******************

资料来源：https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA

******************

麻木

来源：https://www.dataquest.io/blog/numpy-cheat-sheet/

******************

资料来源：http://datasciencefree.com/numpy.pdf

******************

资料来源：https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE

---

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb

******************

熊猫

资料来源：http://datasciencefree.com/pandas.pdf

******************

资料来源：https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U

******************

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb

---

Matplotlib

来源：https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet

---

来源：https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb

---

Scikit 学习

资料来源：https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk

---

资料来源：http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html

---

来源：https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb

******************

张量流

来源：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb

---

火炬

来源：https://github.com/bfortuner/pytorch-cheatsheet

******************

数学

可能性

资料来源：http://www.wzchen.com/s/probability_cheatsheet.pdf

******************

线性代数

资料来源：https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

******************

统计数据

资料来源：http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

---

结石

资料来源：http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N

---

---

---