ai learning roadmap

所有AI相關學習資料和AI應用入門實用工具列表

---

設計思維－簡介

• 史丹佛大學設計思維虛擬速成課程

---

亞馬遜網路服務學習材料

• AWS AI 會議 – 該會議概述了所有 Amazon AI 技術產品（Lex、Polly、Rekognition、ML 和深度學習 AMI）

自訂進度實驗室

AWS 自訂進度實驗室透過 AWS 服務和真實雲端場景在即時 AWS 環境中提供實務練習。請依照逐步說明學習服務、練習使用案例或準備 AWS 認證。

介紹實驗室

• AWS Lambda 簡介

萊克斯

• Amazon Lex 簡介
• Amazon Lex 網路研討會
• Amazon Lex：AWS 對話式介面（聊天機器人）
• 文件

波莉

• Amazon Polly 簡介
• Amazon Polly 網路研討會 -
• Amazon Polly – AWS 文字轉語音 (TTS) 服務
• 文件
  • 什麼是 Amazon Polly？
  • 開發者資源

重新認知

• Amazon Rekognition 簡介
• Amazon Rekognition - 基於深度學習的圖像分析網路研討會
• Amazon Rekognition – AWS 影像辨識服務
• 文件 – 什麼是 Amazon Rekognition？

機器學習

• 機器學習

• 第 1 場會議 – 賦能開發人員建立智慧應用程式

• 第 2 節 - 使用 Amazon 機器學習預測客戶流失

• AWS 機器學習 – 端對端託管服務，用於建立和測試 ML 模型，然後將這些模型部署到生產中

• 文件

  • 什麼是亞馬遜機器學習？
  • 開發者資源

• AWS Deep Learning AMI – 針對深度學習工作進行最佳化的亞馬遜機器映像 (AMI)

推薦的額外資源

透過基礎、高級和專家級實驗室將您的技能提升到新的水平。

• 使用 Microsoft Windows 建立 Amazon EC2 執行個體
• 建立您的第一個 Amazon 虛擬私有雲 (VPC)
• 在 Windows 上使用 AWS CodeCommit
• 使用 Amazon DynamoDB

---

Google Cloud - 學習材料

以下學習材料將幫助您了解 Google Cloud。

網路

• 社交 101 – 43 分鐘

Codelab提供常見的雲端開發者體驗如下：

• 設定您的實驗室環境並了解如何使用您的 GCP 環境。
• 使用常見的開源工具探索您在世界各地的網路。
• 部署常見用例：使用 HTTP 負載平衡和託管實例群組來託管可擴展的多區域 Web 伺服器。
• 測試和監控您的網路和實例。
• 清理。

為 Google Cloud Platform 開發解決方案 – 8 小時

基礎設施

• 在 Kubernotes 上使用 Node.js 建立 Slack 機器人 – 43 分鐘
• 建立虛擬機器 – 10 分鐘
• App Engine 入門 (Python) – 13 分鐘

數據

• Google Cloud 資料準備簡介 – 7 分鐘
• 使用 Cloud SQL 建立託管 MySQL 資料庫 – 19 分鐘
• 將物件上傳到雲端儲存 – 11 分鐘

人工智慧、大數據和機器學習

• Google Cloud 機器學習簡介 – 1 小時
• 機器學習 API 範例 – 30 分鐘
• Google Cloud Platform 大數據與機器學習基礎知識

其他人工智慧材料

• Auto-awesome：Google Cloud 平台上的高階資料科學 – 45 分鐘
• 在 Cloud Dataflow 中執行大數據文字處理管道 – 21 分鐘
• 使用 Cloud ML Engine 和 Datalab 進行影像分類 – 58 分鐘
• 使用 Cloud ML Engine 和 Datalab 進行結構化資料回歸 – 58 分鐘

（可選）深度學習和 Tensorflow

• Tensorflow 和深度學習教程 – 2:35 小時
• 深度學習課程 – 僅限進階用戶

附加參考資料

• 大數據與機器學習 @ Google Cloud Next '17 - 49 個影片的集合

---

IBM Watson 學習材料

（歡迎在此空間做出貢獻）

• IBM 沃森概述
• IBM Watson 認知 API
• IBM Watson 知識工作室

視覺工作室

UCI 資料集

---

Microsoft 聊天機器人學習資料

技能先決條件

• Git 和 Github
• NodeJS
• VS 程式碼整合開發環境

訓練路徑

如果您具備上述先決技能，請選擇進階訓練路徑，否則選擇新手訓練路徑。

先決條件教程

• Git 和 Github
• Node.js
  • Node.js 初學者教程
  • VS Code 中的 Node.js 教學課程
• Visual Studio 程式碼簡介

新手訓練路徑

環境建構

• 下載並安裝 Git
• 設定 GitHub 帳號_
• 下載並安裝 NodeJS
• 下載並安裝 IDE - Visual Studio Code
• 下載並安裝 Bot Framework 模擬器
• Git 克隆 Bot Education 專案 - git clone
• 設定 Azure 免費試用帳戶

認知服務（定義智力）

• 閱讀認知服務 ADS 教育平台 – git clone
• 查看使用 LUIS 理解自然語言的指南
• 從已安裝的 Bot Education 專案完成 NLP (LUIS) 訓練實驗室 – bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md

機器人框架（建構聊天機器人）

• 從下載的（您的路徑）bot-extras 中閱讀 Bot Framework ADS Education Deck
• 查看 Bot 框架文件（核心概念、NodeJS 的 Bot Builder 和 Bot Intelligence）-
• 設定本機環境並從已安裝的 Bot Education 專案執行模擬器 – bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
• 在模擬器中檢視並測試 bot-educationStudent-ResourcesBOTsNodebot-hello 中的“bot-hello”

進階訓練路徑

環境建構

• 下載並安裝 Git
• 設定 GitHub 帳號_
• 下載並安裝 NodeJS
• 下載並安裝 IDE - Visual Studio Code
• 下載並安裝 Bot Framework 模擬器
• Git 克隆 Bot Education 專案 - git clone
• 設定 Azure 免費試用帳戶
• Git 克隆 Bot Builder 範例 – git clone

認知服務（定義智力）

• 閱讀認知服務 ADS 教育平台 – git clone
• 查看使用 LUIS 理解自然語言的指南

機器人框架（建構聊天機器人）

• 從下載的（您的路徑）bot-extras 中閱讀 Bot Framework ADS Education Deck
• 查看 Bot 框架文件（核心概念、NodeJS 的 Bot Builder 和 Bot Intelligence）-
• 設定本機環境並從已安裝的 Bot Education 專案執行模擬器 – bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md

認知服務（定義智力）- 實驗室

• 從已安裝的 BOT 教育計畫完成 NLP (LUIS) 訓練實驗室
  • bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md
• 檢視、部署和運行 LUIS BOT 範例

Bot 框架（建構聊天機器人）- 實驗室

• 設定本地環境並從已安裝的 Bot Education 專案運行模擬器
  • bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
• 在模擬器中查看並測試“bot-hello”
  • bot-educationStudent-ResourcesBOTsNodebot-hello
• 在模擬器中查看和測試“機器人識別器”
  • bot-educationStudent-ResourcesBOTsNodebot-recognizers

---

講座影片

<標題> </標題> <腳本src =“js/navigation.js”> </腳本>

來源伯克利

	講座標題	講師	學期
第一講	介紹	丹·克萊因	2012 年秋季
第二講	不知情的搜尋	丹·克萊因	2012 年秋季
第三講	知情搜尋	丹·克萊因	2012 年秋季
第四講	約束滿足問題 I	丹·克萊因	2012 年秋季
第五講	約束滿足問題II	丹·克萊因	2012 年秋季
第六講	對抗性搜索	丹·克萊因	2012 年秋季
第7講	Expectimax 和實用程式	丹·克萊因	2012 年秋季
第8講	馬可夫決策過程 I	丹·克萊因	2012 年秋季
第9講	馬可夫決策過程 II	丹·克萊因	2012 年秋季
第10講	強化學習一	丹·克萊因	2012 年秋季
第11講	強化學習二	丹·克萊因	2012 年秋季
第12講	可能性	彼得·阿貝爾	2014年春季
第13講	馬可夫模型	彼得·阿貝爾	2014年春季
第14講	隱馬可夫模型	丹·克萊因	2013 年秋季
第15講	HMM/語音的應用	彼得·阿貝爾	2014年春季
第16講	貝葉斯網路：表示	彼得·阿貝爾	2014年春季
第17講	貝葉斯網路：獨立性	彼得·阿貝爾	2014年春季
第18講	貝葉斯網路：推理	彼得·阿貝爾	2014年春季
第19講	貝葉斯網路：採樣	彼得·阿貝爾	2013 年秋季
第20講	決策圖/完美資訊的價值	彼得·阿貝爾	2014年春季
第21講	機器學習：樸素貝葉斯	尼可拉斯海伊	2014年春季
第22講	機器學習：感知器	彼得·阿貝爾	2014年春季
第23講	機器學習：內核與聚類	彼得·阿貝爾	2014年春季
第24講	進階應用：NLP、遊戲和機器人汽車	彼得·阿貝爾	2014年春季
第25講	進階應用：電腦視覺與機器人技術	彼得·阿貝爾	2014年春季

此外，還有額外的逐步影片作為講座材料的補充。這些影片如下：

	講座標題	講師	筆記
SBS-1	深度優先搜尋和廣度優先搜索	彼得·阿貝爾	Lec：不知情的搜索
SBS-2	A* 搜尋	彼得·阿貝爾	Lec：知情搜索
SBS-3	Alpha-Beta 修剪	彼得·阿貝爾	Lec：對抗性搜索
SBS-4	D-分離	彼得·阿貝爾	Lec：貝葉斯網：獨立
SBS-5	消除一個變數	彼得·阿貝爾	Lec：貝葉斯網絡：推理
SBS-6	變數消除	彼得·阿貝爾	Lec：貝葉斯網絡：推理
SBS-7	取樣	彼得·阿貝爾	Lec：貝葉斯網路：採樣
SBS-8	最大似然法	彼得·阿貝爾	講座：機器學習：樸素貝葉斯
SBS-9	拉普拉斯平滑	彼得·阿貝爾	講座：機器學習：樸素貝葉斯
SBS-10	感知器	彼得·阿貝爾	Lec：機器學習：感知器

---

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

每學期影片檔案（柏克萊）

最新課程的講座影片發佈如下。

2014年春季講座影片
2013年秋季講座影片
2013年春季講座影片
2012 年秋季講座影片

2014年春季

	講座標題	講師	筆記
第一講	介紹	彼得·阿貝爾
第二講	不知情的搜尋	彼得·阿貝爾
第三講	知情搜尋	彼得·阿貝爾
第四講	約束滿足問題 I	彼得·阿貝爾	錄音有點不穩定，請參閱 2013 年秋季講座 4 以了解替代方案
第五講	約束滿足問題II	彼得·阿貝爾
第六講	對抗性搜索	彼得·阿貝爾
第7講	Expectimax 和實用程式	彼得·阿貝爾
第8講	馬可夫決策過程 I	彼得·阿貝爾
第9講	馬可夫決策過程 II	彼得·阿貝爾
第10講	強化學習一	彼得·阿貝爾
第11講	強化學習二	彼得·阿貝爾
第12講	可能性	彼得·阿貝爾
第13講	馬可夫模型	彼得·阿貝爾
第14講	隱馬可夫模型	彼得·阿貝爾	錄音有點不穩定，請參閱 2013 年秋季講座 18 以了解替代方法
第15講	HMM/語音的應用	彼得·阿貝爾
第16講	貝葉斯網路：表示	彼得·阿貝爾
第17講	貝葉斯網路：獨立性	彼得·阿貝爾
第18講	貝葉斯網路：推理	彼得·阿貝爾
第19講	貝葉斯網路：採樣	彼得·阿貝爾	未錄製，請參閱 2013 年秋季講座 16
第20講	決策圖/完美資訊的價值	彼得·阿貝爾
第21講	機器學習：樸素貝葉斯	尼可拉斯海伊
第22講	機器學習：感知器	彼得·阿貝爾
第23講	機器學習：內核與聚類	彼得·阿貝爾
第24講	進階應用：NLP、遊戲和機器人汽車	彼得·阿貝爾
第25講	進階應用：電腦視覺與機器人技術	彼得·阿貝爾
第26講	結論	彼得·阿貝爾	未記錄

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

2013 年秋季

	講座標題	講師	筆記
第一講	介紹	丹·克萊因
第二講	不知情的搜尋	丹·克萊因
第三講	知情搜尋	丹·克萊因
第四講	約束滿足問題 I	丹·克萊因
第五講	約束滿足問題II	丹·克萊因
第六講	對抗性搜索	丹·克萊因
第7講	Expectimax 和實用程式	丹·克萊因
第8講	馬可夫決策過程 I	丹·克萊因
第9講	馬可夫決策過程 II	丹·克萊因
第10講	強化學習一	丹·克萊因
第11講	強化學習二	丹·克萊因
第12講	可能性	彼得·阿貝爾
第13講	貝葉斯網路：表示	彼得·阿貝爾
第14講	貝葉斯網路：獨立性	丹·克萊因
第15講	貝葉斯網路：推理	彼得·阿貝爾
第16講	貝葉斯網路：採樣	彼得·阿貝爾
第17講	決策圖/完美資訊的價值	彼得·阿貝爾
第18講	隱馬可夫模型	丹·克萊因
第19講	HMM/語音的應用	丹·克萊因
第20講	機器學習：樸素貝葉斯	丹·克萊因
第21講	機器學習：感知器	丹·克萊因
第22講	機器學習：內核與聚類	彼得·阿貝爾
第23講	機器學習：決策樹與神經網絡	彼得·阿貝爾
第24講	進階應用：NLP 和機器人汽車	丹·克萊因	未錄製，請參閱 2013 年春季講座 24
第25講	進階應用：電腦視覺與機器人技術	彼得·阿貝爾
第26講	結論	丹克萊因, 彼得·阿貝爾	未記錄

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

2013年春季

	講座標題	講師	筆記
第一講	介紹	彼得·阿貝爾	影片下載
第二講	不知情的搜尋	彼得·阿貝爾
第三講	知情搜尋	彼得·阿貝爾
第四講	約束滿足問題 I	彼得·阿貝爾
第五講	約束滿足問題II	彼得·阿貝爾	未錄製，請參閱 2012 年秋季講座 5
第六講	對抗性搜索	彼得·阿貝爾
第7講	Expectimax 和實用程式	彼得·阿貝爾
第8講	馬可夫決策過程 I	彼得·阿貝爾
第9講	馬可夫決策過程 II	彼得·阿貝爾
第10講	強化學習一	彼得·阿貝爾
第11講	強化學習二	彼得·阿貝爾
第12講	可能性	彼得·阿貝爾
第13講	貝葉斯網路：表示	彼得·阿貝爾
第14講	貝葉斯網路：獨立性	彼得·阿貝爾
第15講	貝葉斯網路：推理	彼得·阿貝爾
第16講	貝葉斯網路：採樣	彼得·阿貝爾
第17講	決策圖/完美資訊的價值	彼得·阿貝爾
第18講	隱馬可夫模型	彼得·阿貝爾
第19講	HMM/語音的應用	彼得·阿貝爾
第20講	機器學習：樸素貝葉斯	彼得·阿貝爾
第21講	機器學習：感知器 I	尼可拉斯海伊
第22講	機器學習：感知器 II	彼得·阿貝爾
第23講	機器學習：內核與聚類	彼得·阿貝爾
第24講	進階應用：NLP 和機器人汽車	彼得·阿貝爾
第25講	進階應用：電腦視覺與機器人技術	彼得·阿貝爾
第26講	結論	彼得·阿貝爾	未記錄

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

2012 年秋季

	講座標題	講師	筆記
第一講	介紹	丹·克萊因
第二講	不知情的搜尋	丹·克萊因
第三講	知情搜尋	丹·克萊因
第四講	約束滿足問題 I	丹·克萊因
第五講	約束滿足問題II	丹·克萊因
第六講	對抗性搜索	丹·克萊因
第7講	Expectimax 和實用程式	丹·克萊因
第8講	馬可夫決策過程 I	丹·克萊因
第9講	馬可夫決策過程 II	丹·克萊因
第10講	強化學習一	丹·克萊因
第11講	強化學習二	丹·克萊因
第12講	可能性	彼得·阿貝爾
第13講	貝葉斯網路：表示	彼得·阿貝爾
第14講	貝葉斯網路：獨立性	彼得·阿貝爾
第15講	貝葉斯網路：推理	彼得·阿貝爾
第16講	貝葉斯網路：採樣	彼得·阿貝爾
第17講	決策圖/完美資訊的價值	彼得·阿貝爾
第18講	隱馬可夫模型	彼得·阿貝爾
第19講	HMM/語音的應用	丹·克萊因
第20講	機器學習：樸素貝葉斯	丹·克萊因
第21講	機器學習：感知器	丹·克萊因
第22講	機器學習：內核與聚類	丹·克萊因
第23講	機器學習：決策樹與神經網絡	彼得·阿貝爾
第24講	進階應用：電腦視覺與機器人技術	彼得·阿貝爾
第25講	進階應用：NLP 和機器人汽車	丹克萊因, 彼得·阿貝爾	未記錄
第26講	結論	丹克萊因, 彼得·阿貝爾	未記錄

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

講座幻燈片

這是完整的講座幻燈片集，包括影片和講座中運行的簡報影片：幻燈片 [~3 GB]。

以下的清單包含所有講座的 Powerpoint 投影片：

• 第一講：簡介
• 第 2 講：無資訊搜尋
• 第 3 講：知情搜索
• 第 4 講：CSP I
• 第 5 講：CSP II
• 第 6 講：對抗性搜索
• 第 7 講：Expectimax 搜尋和實用程式
• 第 8 講：MDP I
• 第 9 講：MDP II
• 第10講：強化學習I
• 第11講：強化學習II
• 第12講：機率
• 第13講：馬可夫模型
• 第14講：隱馬可夫模型
• 第15講：粒子濾波器和HMM的應用
• 第 16 講：貝葉斯網路 I：表示
• 第17講：貝葉斯網路II：獨立性
• 第 18 講：貝葉斯網絡 III：推理
• 第 19 講：貝葉斯網路 IV：採樣
• 第20講：決策圖和VPI
• 第21講：樸素貝葉斯
• 第22講：感知器
• 第23講：核和聚類
• 第24講：進階應用（NLP、遊戲、汽車）
• 第25講：高階應用（電腦視覺與機器人）
• 第26講：結論

Berkeley AI 正在準備所有現場講座演示的來源文件以供發布

---

研究論文精選

• AI 最新 arxiv 論文提交

• Peter Norvig-十年自學編程

• 如何在麻省理工學院人工智慧實驗室進行研究

• 機器智慧路線圖

• 使用遞歸神經網路進行協同過濾 (2016)

• 推薦系​​統的廣泛和深度學習 (2016)

• 透過邊緣化去噪自動編碼器進行深度協同過濾 (2015)

• 非參數貝葉斯多任務協同過濾 (2013)

• Tensorflow：異質分散式系統上的大規模機器學習

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

• Theano：CPU 與 GPU 數學運算式編譯器。

• Caffe：用於快速特徵嵌入的捲積架構

• Chainer：強大、靈活且直覺的神經網路框架

• 大規模分散式深度網絡

• 使用卷積神經網路進行大規模視訊分類

• 向量空間中詞表示的有效估計

• 作為外語的語法

• 深入研究卷積

• 用於語音處理的整流線性單元

• 用於語音識別中聲學建模的深度神經網路：四個研究小組的共同觀點。

• 使用深度卷積神經網路從街景影像中辨識多位數字

• 谷歌將其利潤豐厚的網路搜尋交給人工智慧機器

史丹佛大學教學大綱 CS 20SI：用於深度學習研究的 Tensorflow

• 基於人群的個人化自然語言推薦解釋

深度學習軟體架構的比較研究

** Reddit_ML-你在讀什麼**

• 人工智慧驅動的社交機器人（2017 年 6 月 16 日）

---

人工智慧的眾多部落

資料來源：https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53

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

深度學習路線圖

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

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

訓練深度學習網路的最佳實踐

資料來源：https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53

ML/DL 備忘單

神經網路架構

資料來源：http://www.asimovinstitute.org/neural-network-zoo/

---

微軟Azure演算法流程圖

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

---

SAS 演算法流程圖

資料來源：http://blogs.sas.com/content/subthoughtmusings/2017/04/12/machine-learning-algorithm-use/

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

演算法總結

資料來源：http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

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

****************** ### 演算法優點/缺點來源：https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend

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

Python

---

演算法

資料來源：https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/

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

Python 基礎知識

資料來源：http://datasciencefree.com/python.pdf

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

資料來源：https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA

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

麻木

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

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

資料來源：http://datasciencefree.com/numpy.pdf

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

資料來源：https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE

---

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

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

貓熊

資料來源：http://datasciencefree.com/pandas.pdf

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

資料來源：https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U

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

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

---

Matplotlib

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

---

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

---

Scikit 學習

資料來源：https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk

---

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

---

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

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

張量流

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

---

火炬

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

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

數學

可能性

來源：http://www.wzchen.com/s/probability_cheatsheet.pdf

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

線性代數

資料來源：https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

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

統計數據

資料來源：http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

---

結石

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

---

---

---