ai_all_resources

数学、机器学习和深度学习的人工智能资源终极汇编

不分享的知识就是浪费。 - 雅各布氏族

该合集是由以下人员创建的优秀 ML 和 DL 教程的汇编

• 安德烈·卡帕蒂博客
• 布兰登·罗尔
• 安德鲁·特拉斯克
• 杰·阿拉马尔
• 塞巴斯蒂安·鲁德
• 蒸馏
• Josh Starmer 的 StatQuest
• 森德克斯
• 莱克斯·弗里德曼
• 3蓝1棕
• 亚历山大·阿米尼
• 编码列车
• 克里斯托弗·奥拉

关注的社区

• AI 哥印拜陀加入这里？
  • Telegram：每日更新
  • Facebook：哥印拜陀人工智能学院
• 哥印拜陀 TensorFlow 用户组
  • 聚会：TFUGCbe
  • 脸书：TFUGCbe

该存储库由以下人员创建和维护

纳瓦内斯·马林根

为什么选择数据科学以及如何开始？

• 如何开始机器学习！
• 如何在数据科学领域建立有意义的职业生涯
• 我自创的人工智能硕士学位
• Py图像搜索
• 使用 Python 学习机器学习和数据科学的 5 个初学者友好步骤

机器学习简介

• Luis Serrano：机器学习的友好介绍
• StatQuest：机器学习的简要介绍
• 适合所有人的机器学习通过现实世界的示例，用简单的语言总结机器学习算法及其应用。

任何人都可以进行机器学习

• 可教机器训练计算机识别您自己的图像、声音和姿势。一种为您的网站、应用程序等创建机器学习模型的快速、简单的方法 - 无需专业知识或编码。

慕课

• 机器学习 作者：Andrew Ng，斯坦福大学IMDB 10/10 LOL :P
• Datacamp：使用 Python 的数据工程师
• 机器学习主题介绍，涵盖朴素贝叶斯、SVM、决策树、回归、异常值、聚类、特征缩放、文本学习、特征选择、PCA、验证、评估指标
• 用于深度学习的 TensorFlow 简介学习 TensorFlow 的最佳课程
• 端到端机器学习
• NVIDIA 深度学习学院
• 程序员机器学习简介！
• 程序员实用深度学习，v3
• 快速人工智能

顶尖大学课程

斯坦福大学

• CS221 - 人工智能：原理和技术 作者：Percy Liang 和 Dorsa Sadigh
• CS229 - 机器学习，作者：Andrew Ng
• CS230 - 深度学习，作者：Andrew Ng
• CS231n - 用于视觉识别的卷积神经网络 作者：Fei-Fei Li 和 Andrej Karpathy
• CS224n - Christopher Manning 的深度学习自然语言处理
• CS234 - 强化学习，作者：Emma Brunskill
• CS330 - 深度多任务和元学习，作者：Chelsea Finn
• CS25 - 变形金刚联合

卡内基梅隆大学

• CS/LTI 11-711：高级 NLP，作者：Graham Neubig
• CS/LTI 11-747：NLP 神经网络 作者：Graham Neubig
• CS/LTI 11-737：多语言 NLP 作者：Graham Neubig
• CS/LTI 11-777：多模态机器学习，作者：Louis-Philippe Morency
• CS/LTI 11-785：深度学习简介，作者：Bhiksha Raj 和 Rita Singh
• CS/LTI 低资源 NLP 训练营 2020，作者：Graham Neubig

麻省理工学院

• 6.S191 - 深度学习简介，作者：Alexander Amini 和 Ava Amini
• 6.S094 - Lex Fridman 的深度学习
• 6.S192 - 艺术、美学和创造力的深度学习 作者：Ali Jahanian

伦敦大学学院

• COMP M050 强化学习 作者：David Silver

YouTube 机器学习播放列表

• StatQuest 与 Josh Starmer 合作的机器学习
• 编码列车的智能和学习

机器学习术语表

• 该术语表定义了各个领域的通用机器学习术语以及 TensorFlow 特定的术语。

机器学习基础知识（这些术语将在以下算法中经常使用）

• 偏差和方差
• 交叉验证
• 机器学习基础知识：混淆矩阵
• 灵敏度和特异性
• ROC 和 AUC，解释清楚！
• StatQuest：R 平方解释
• 正则化第 1 部分：岭回归
• 正则化第 2 部分：Lasso 回归
• 最大似然法
• 协方差和相关性第 1 部分：协方差
• 统计基础知识：均值、方差和标准差
• 统计基础知识：总体参数
• 词汇表：统计
• 术语表：机器学习
• 查看 R 平方

数学

• 机器学习数学在这篇文章中，我整理了一些很棒的电子资源（MOOC、YouTube 讲座、书籍）来学习机器学习数学。
• 机器学习数学 - 一本关于机器学习数学的好书。 （免费电子书）
• 我强烈建议您浏览 3Blue1Brown 提供的以下资源
  • 线性代数的本质▶️
  • 微积分的本质▶️
  • 微分方程▶️
• 吉尔伯特·斯特朗：线性代数与微积分▶️
• 泰米尔语积分基础知识▶️
• 新的 fast.ai 课程：计算线性代数
• 线性代数书

Python

• Socratica 的 Python 编程教程▶️
• w3schools 的 Python 教程？
• 学习Python编程？

麻木

• NumPy 和数据表示的直观介绍
• CS231n：Python Numpy 教程
• NumPy 资源：端到端机器学习库的一部分
• 100 个 numpy 练习（含解决方案）
• 101 个用于数据分析的 NumPy 练习 (Python)
• Numpy 教程 – ndarray 简介
• Sci-Py 讲座：NumPy：创建和操作数值数据
• Python NumPy 初学者教程▶️在本教程中为初学者学习 NumPy 库的基础知识。它提供了有关 NumPy 如何工作以及它与 Python 内置列表如何比较的背景信息。该视频介绍了如何使用 NumPy 编写代码。它从创建数组的基础知识开始，然后介绍更高级的内容。该视频涵盖了创建数组、索引、数学、统计、重塑等内容。
• Python NumPy 教程 – 通过示例学习 NumPy 数组
• Python Numpy 数组教程
• NumPy 教程：使用 Python 进行数据分析
• 深度学习先决条件：Python 中的 Numpy 堆栈▶️

熊猫

• 使用 Pandas 在 Python 中进行数据分析的直观视觉介绍
• Data School 使用 pandas 使用 Python 进行数据分析▶️
• Data School 提供的 pandas 最佳实践▶️
• Python Pandas 教程：初学者完整介绍

机器学习 YouTube 播放列表

• CodeBasics：机器学习教程 Python ▶️
• StatQuest：机器学习▶️
• senddex：使用 Python 进行机器学习▶️
• Simplilearn：机器学习教程视频▶️
• Python 机器学习教程▶️
• deeplizard：机器学习和深度学习基础知识▶️

ML、DL 视觉解释器

• MLU-解释
• 美国有线电视新闻网解说员

注意：您可以在下面找到流行机器学习算法的最佳讲座

线性回归

• 线性回归：路易斯·塞拉诺 (Luis Serrano) 的友好介绍▶️
• 统计 101：线性回归，基础知识▶️
• 回归线拟合游乐场
• 回归曲线拟合游乐场

逻辑回归

• 线性回归与逻辑回归 |数据科学培训|埃杜雷卡▶️
• 逻辑回归和感知器算法：Luis Serrano 的友好介绍▶️

决策树

• StatQuest：决策树▶️
• StatQuest：决策树，第 2 部分 - 特征选择和缺失数据▶️
• 决策树介绍并举例？
• 决策树？
• 蟒蛇 |使用 sklearn 进行决策树回归？
• 机器学习 |逻辑回归与决策树分类？

随机森林

• StatQuest：随机森林第 1 部分 - 构建、使用和评估▶️
• StatQuest：随机森林第 2 部分：缺失数据和聚类▶️
• 适合初学者的随机森林？

促进机器学习

• 促进机器学习教程 |自适应提升、梯度提升、XGBoost |埃杜雷卡▶️
• AdaBoost，解释清楚▶️
• 梯度提升第 1 部分：回归主要思想▶️
• 梯度提升第 2 部分：回归详细信息▶️
• 梯度提升第 3 部分：分类▶️
• 梯度提升第 4 部分：分类详细信息▶️
• XGBoost 第 1 部分：用于回归的 XGBoost 树▶️
• XGBoost 第 2 部分：用于分类的 XGBoost 树▶️
• 集成方法 Sci-kit learn

支持向量机

• 支持向量机 (SVM)：Luis Serrano 的友好介绍▶️
• 支持向量机，解释清楚！通过 StatQuest ▶️
• 支持向量机第 2 部分：StatQuest 的多项式核▶️
• 支持向量机第 3 部分：StatQuest 的径向 (RBF) 内核▶️
• 支持向量机如何工作/如何打开黑匣子▶️
• 支持向量机 - 智能数学（第 1 周） ▶️
• 揭秘支持向量机？
• 支持向量机 (SVM) - 有趣且简单的机器学习▶️

贝叶斯定理

• 贝叶斯定理，使概率变得直观▶️
• 贝叶斯定理和隐马尔可夫模型的友好介绍▶️
• 贝叶斯陷阱▶️
• 朴素贝叶斯分类器：一种友好的方法▶️

K-最近邻

• KNN 从头开始​​？
• K 最近邻算法的机器学习基础知识？

K-均值

• StatQuest：K 均值聚类▶️
• 机器学习教程 Python - 13：K 均值聚类▶️
• K 均值聚类算法 - Python 中的 K 均值示例 - 机器学习算法 - Edureka ▶️

主成分分析（PCA）

• StatQuest：仅 5 分钟即可了解 PCA 主要思想！ ▶️
• StatQuest：主成分分析 (PCA)，逐步▶️
• 主成分分析 (PCA) 作者：Luis Serrano ▶️

概率图形模型

• 概率图形模型专业化

从头开始梯度下降

最好的

• 使用梯度下降的线性回归？
• 梯度下降，一步一步▶️
• 随机梯度下降，解释清楚！ ▶️
• 优化如何工作关于机器学习优化基础知识的简短系列
• 使用梯度下降的线性回归
  • 代码
• 多项式回归
• 线性回归中的梯度下降 - 数学？
• 神经网络反向传播傻瓜基础知识▶️

额外的好人

• 3.4：梯度下降线性回归——智能与学习▶️
• 3.5: 梯度下降数学——智能与学习▶️
• 3.5a: 微积分：幂法则——智力与学习▶️
• 3.5b：微积分：链式法则——智能与学习▶️
• 3.5c：微积分：偏导数 - 智能与学习▶️

消失梯度

• 梯度消失问题▶️
• 如何克服梯度消失问题▶️

如何处理局部最小值

• https://datascience.stackexchange.com/questions/24534/does-gradient-descent-always-converge-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-learn

• scikit-learn 机器学习简介？
• Python 机器学习：Scikit-Learn 教程

深度学习

• DEEP BLUEBERRY BOOK这是一个关于深度学习的小型且非常集中的链接集合。如果您一直想学习深度学习的东西但不知道从哪里开始，那么您可能偶然发现了正确的地方！
• 6.S191：深度学习简介（2019）
  • 课堂讲座 (YouTube) - MIT 6.S191：深度学习简介
  • 实验室
• 麻省理工学院 6.S191 深度学习简介（2020）
• 麻省理工学院 6.S191 深度学习简介 (2023) (YouTube)
• 麻省理工学院深度学习基础知识：简介和概述
• 麻省理工学院深度学习 作者：Lex Fridman
  • 深度学习讲座 (YouTube)
• 泰米尔语深度学习

深度学习书籍

• Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 的深度学习教科书
• 神经网络和深度学习 作者：Michael Nielsen
• Grokking 深度学习 作者：Andrew Trask

深度学习论文

• 深度学习论文阅读路线图

神经网络

• 深度学习和神经网络的友好介绍▶️
• 初学者机器学习：神经网络简介？简单解释它们如何工作以及如何在 Python 中从头开始实现它们。
• 神经网络基础知识的视觉和交互式指南？
• 基本神经网络数学的可视化和交互式观察？
• 神经网络架构▶️
• 韦尔奇实验室揭秘神经网络▶️
  • YouTube 短剧《神经网络揭秘》的支持代码。
• 3Blue1Brows 的神经网络系列▶️

计算机视觉

• CS131 计算机视觉：基础与应用 2019 年秋季
• CS231A：计算机视觉，从 3D 重建到识别 2018 年冬季
• 用于视觉识别的 CS231n 卷积神经网络
• 计算机视觉笔记本

美国有线电视新闻网

• CS231n：用于视觉识别的卷积神经网络 2019 年春季
• CS231n：用于视觉识别的卷积神经网络
• 卷积神经网络和图像识别的友好介绍
• 卷积神经网络综合指南——ELI5 方式
• 张量流卷积神经网络 (CNN)
• 卷积网络书籍
• CNN，第 1 部分：卷积神经网络简介
• CS231n 2016 年冬季 作者：Andrej Karpathy 15 视频
• 直观理解卷积神经网络中的 1D、2D 和 3D 卷积
• CNN 解释器一个交互式可视化系统，旨在帮助非专家了解卷积神经网络 (CNN)

物体检测

Cogneethi 物体检测网络的演变

关于对象检测的深入教程。直觉讲座的主题范围从经典的 CV 技术（如 HOG、SIFT）到基于卷积神经网络的技术（如 Overfeat、Faster RCNN 等）。您将了解这些想法是如何从一些最早的论文演变到当前的论文的。因此，目标检测网络的演变被称为“目标检测网络的演变”。

• 筛选 |尺度不变特征变换
• 猪的直觉 |定向梯度直方图
• 网管系统 |非极大值抑制
• 对象定位 |边界框回归
• 物体检测
• RCNN
• 空间金字塔匹配| SPM
• SPPNet 物体检测
• 快速 RCNN 网络
• 更快的 RCNN
• Yolo v4 物体检测 - 它是如何工作的以及为什么它如此神奇！
• 框架和库
  • Facebook AI 的 Detectron2
  • MM检测
  • 媒体管道
  • 优洛
  • TensorFlow 对象检测 API
  • 计算机视觉食谱
• 标签工具
  • 标签图像
  • 机器人流
  • 标签工作室
• 代码示例
  • YOLO-对象计数-API

3D 物体检测

• 宣布推出 Objectron 数据集 |谷歌人工智能博客
• MediaPipe 对象龙 | Objectron（3D 物体检测）

图像分割

• 计算机视觉教程：图像分割技术的逐步介绍（第 1 部分）

GAN

• Luis Serrano 对生成对抗网络 (GAN) 的友好介绍
• 生成对抗网络 (GAN) 作者：Ahlad Kumar
• 构建我们的第一个简单的 GAN
• 使用生成对抗网络进行面部编辑
• 变分自动编码器
• 50 行代码的生成对抗网络 (GAN) (PyTorch)
• 生成模型

风格转移

• 用于快速风格迁移的 TensorFlow CNN ⚡???

自然语言处理

• CS224n：深度学习自然语言处理
• NLP 和改革者
• 插图 Word2vec

循环神经网络

• 循环神经网络图解指南：理解直觉
• 任何人都可以学习用 Python 编写 LSTM-RNN 代码（第 1 部分：RNN）初步了解神经网络的最初记忆。
• 循环神经网络的不合理有效性
• 面向初学者的循环神经网络简介简单介绍什么是 RNN、它们如何工作以及如何使用 Python 从头开始​​构建 RNN。
• Distill 的注意力和增强循环神经网络
• 通过 Distill 可视化 RNN 中的记忆检查上下文中的梯度大小可以成为查看循环单元何时使用短期或长期上下文理解的强大工具。
• NLP 深度学习：ANN、RNN 和 LSTM 解释！

长短期记忆网络

• 了解 LSTM 网络
• LSTM 实现解释
• LSTM 自动编码器的简要介绍

变压器和自注意力

Transformer 神经网络视觉指南（强烈推荐）

• 第 1 部分 - 位置嵌入
• 第 2 部分 - 多头和自注意力
• 第 3 部分 - 解码器的屏蔽注意力
• NLP Transformers 关注播放列表
• 图解变压器
• 带注释的变压器
• 变形金刚论文和代码
• 从零开始的变形金刚
• 变形金刚笔记
• Transformer 解释：了解 GPT-3、BERT 和 T5 背后的模型
• Transformer 变体的全面概述。
• 如何成为 NLP 和 Transformer 模型大师
• [大师班] 变形金刚 |注意力模型

伯特

• 简单地用草图解释 BERT
• 首次使用 BERT 的视觉指南
• 插图 BERT、ELMo 等。 （NLP 如何破解迁移学习）
• BERT 解释：最先进的 NLP 语言模型
• BioBERT，生物医学领域的语言表示模型，专门针对生物医学命名实体识别、关系提取、问答等生物医学文本挖掘任务而设计

GPT

• 图解 GPT-2（可视化 Transformer 语言模型）

强化学习

• 深度强化学习课程？️从初学者到专家的深度强化学习免费课程。
• 强化学习算法的实施。 Python、OpenAI Gym、Tensorflow。 Sutton 的书和 David Silver 的课程附带的练习和解决方案。
• Unity 机器学习代理工具包
• 编写我的第一个机器学习游戏！ (1/4)
• 深度强化学习：Andrej Karpathy 的 Pong from Pixels
• 深度强化学习初学者指南
• Unity ML-Agents 简介
• 使用 PyTorch 的深度强化学习算法
• 讲座：强化学习简介 - David Silver
• 书：强化学习 - Sutton 和 Barto 的简介
• 书籍：Maxim Lapan 的深度强化学习实践

火炬

• Udacity：使用 PyTorch 进行深度学习
• 深度学习 (PyTorch)：代码
• 优达学城：安全人工智能
• 火炬脚本
• PyTorchZeroToAll（英文）Sung Kim 14 个视频系列
  • 支持代码
  • 幻灯片

TensorFlow

• TensorFlow 2.0 简介：对于初学者来说更简单，对于专家来说更强大（TF World '19）
• TensorFlow Lite：在设备上运行 ML 的解决方案 (TF World '19)
• JavaScript 中的机器学习（TensorFlow 开发峰会 2018）
• TensorFlow.js 快速入门
• Keras 与 tf.keras：TensorFlow 2.0 有什么区别？
• 如何在 Raspberry Pi 上运行 TensorFlow Lite 进行对象检测
• 计算机如何学会立即识别物体 |约瑟夫·雷德蒙

TensorFlow 课程

• 用于深度学习的 TensorFlow 简介
• TensorFlow 实践专业化：Coursera
• TensorFlow：数据和部署专业化：Coursera

PyTorch 与 TensorFlow

• 为什么 PyTorch 在机器学习工程师中如此受欢迎？

迁移学习

• 使用 Keras 和深度学习进行迁移学习
• 深度学习中迁移学习与实际应用的综合实践指南
• TensorFlow 核心教程

部署模型

• 5 分钟机器学习：如何部署 ML 模型（SurveyMonkey 工程师讲解）
• 使用 Django 部署机器学习模型
• MlFlow - 机器学习生命周期的开源平台
• TensorFlow：数据和部署专业化

MIOPS

• MLOps 入门 - 2021 了解 MLOps 的资源集合。

代码

• 代码基础/py
• 谷歌代码实验室

备忘单

• 人工智能
• 机器学习
• 深度学习
• 机器学习提示和技巧
• 数据科学工具
• 使用 R 进行机器学习
• CHRIS ALBON 备忘单和闪存卡
• MLOps Tooling Landscape v2（+84 个新工具）- 20 年 12 月
• 数学工具
• 工程师常微分方程

边缘机器学习套件

• Nvidia Jetson Nano 开发套件
• 英特尔® 神经计算棒 2（英特尔® NCS2）
• 珊瑚

数据科学竞赛

• 卡格尔

重要的 YouTube 吗？ AI/ML/RL/DS领域渠道

• 3蓝1棕
• Josh Starmer 的 StatQuest
• 森德克斯
• 路易斯塞拉诺
• 布兰登·罗勒
• 深蜥蜴
• 与蒂姆一起科技
• 微软研究院
• 科里·谢弗
• 数据学校
• 两分钟论文
• 韦尔奇实验室
• 简单学习
• 伟大的学习
• 深度学习电视
• TensorFlow
• 深度学习.ai
• 代码项目符号
• 教育！
• 莱克斯·弗里德曼
• 人工智能频道
• freeCodeCamp.org
• 云x实验室
• 亚历山大·阿米尼
• 杰夫·希顿
• 阿布舍克·塔库尔
• 编码列车

参考

• 如何开始机器学习！
• 我自创的人工智能硕士学位
• https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
• StatQuest 的机器学习基础知识
• senddex 使用 Python 进行机器学习
• 使用 Python 学习机器学习和数据科学的 5 个初学者友好步骤 - Daniel Bourke
• 数据学校
• 神经网络和深度学习
• https://www.machinelearningisfun.com/
• https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
• https://medium.com/greyatom
• https://greyatom.com/glabs
• 约翰·塞尔：“人工智能中的意识”|在谷歌的演讲
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/tree/master/week3-classification-regression
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning