ai_all_resources

數學、機器學習和深度學習的人工智慧資源終極彙編

不分享的知識就是浪費。 - 雅各氏族

該合集是由以下人員創建的優秀 ML 和 DL 教程的彙編

• 安德烈·卡帕蒂博客
• 布蘭登·羅爾
• 安德魯·特拉斯克
• 傑·阿拉馬爾
• 賽巴斯蒂安·魯德
• 蒸餾
• Josh Starmer 的 StatQuest
• 森德克斯
• 萊克斯·弗里德曼
• 3藍1棕
• 亞歷山大·阿米尼
• 編碼列車
• 克里斯多福·奧拉

關注的社區

• AI 哥印拜陀加入這裡？
  • Telegram：每日更新
  • Facebook：哥印拜陀人工智慧學院
• 哥印拜陀 TensorFlow 使用者群組
  • 聚會：TFUGCbe
  • 臉書：TFUGCbe

此儲存庫由以下人員建立和維護

納瓦內斯·馬林根

為什麼選擇數據科學以及如何開始？

• 如何開始機器學習！
• 如何在數據科學領域建立有意義的職業生涯
• 我自創的人工智慧碩士學位
• Py影像搜尋
• 使用 Python 學習機器學習和資料科學的 5 個初學者友善步驟

機器學習簡介

• Luis Serrano：機器學習的友善介紹
• StatQuest：機器學習的簡介
• 適合所有人的機器學習透過現實世界的範例，用簡單的語言總結機器學習演算法及其應用。

任何人都可以進行機器學習

• 可教機器訓練電腦辨識您自己的圖像、聲音和姿勢。為您的網站、應用程式等建立機器學習模型的快​​速、簡單的方法 - 無需專業知識或編碼。

慕課

• 機器學習 作者：Andrew Ng，史丹佛大學IMDB 10/10 LOL :P
• Datacamp：使用 Python 的資料工程師
• 機器學習主題介紹，涵蓋樸素貝葉斯、SVM、決策樹、迴歸、異常值、聚類、特徵縮放、文本學習、特徵選擇、PCA、驗證、評估指標
• 深度學習的 TensorFlow 簡介學習 TensorFlow 的最佳課程
• 端對端機器學習
• NVIDIA 深度學習學院
• 程式設計師機器學習簡介！
• 程式設計師實用深度學習，v3
• 快速人工智慧

頂尖大學課程

史丹佛大學

• CS221 - 人工智慧：原理與技術 作者：Percy Liang 和 Dorsa Sadigh
• CS229 - 機器學習，作者：Andrew Ng
• CS230 - 深度學習，作者：Andrew Ng
• CS231n - 用於視覺識別的捲積神經網路 作者：Fei-Fei Li 和 Andrej Karpathy
• CS224n - Christopher Manning 的深度學習自然語言處理
• CS234 - 強化學習，作者：Emma Brunskill
• CS330 - 深度多工與後設學習，作者：Chelsea Finn
• CS25 - 變形金剛聯合

卡內基美隆大學

• CS/LTI 11-711：高級 NLP，作者：Graham Neubig
• CS/LTI 11-747：NLP 神經網路 作者：Graham Neubig
• CS/LTI 11-737：多國語言 NLP 作者：Graham Neubig
• CS/LTI 11-777：多模態機器學習，作者：Louis-Philippe Morency
• CS/LTI 11-785：深度學習簡介，作者：Bhiksha Raj 與 Rita Singh
• CS/LTI 低資源 NLP 訓練營 2020，作者：Graham Neubig

麻省理工學院

• 6.S191 - 深度學習簡介，作者：Alexander Amini 和 Ava Amini
• 6.S094 - Lex Fridman 的深度學習
• 6.S192 - 藝術、美學與創造力的深度學習 作者：Ali Jahanian

倫敦大學學院

• COMP M050 強化學習 作者：David Silver

YouTube 機器學習播放列表

• StatQuest 與 Josh Starmer 合作的機器學習
• 編碼列車的智慧與學習

機器學習術語表

• 此術語表定義了各領域的通用機器學習術語以及 TensorFlow 特定的術語。

機器學習基礎知識（這些術語將在以下演算法中經常使用）

• 偏差和方差
• 交叉驗證
• 機器學習基礎知識：混淆矩陣
• 靈敏度和特異性
• ROC 和 AUC，解釋清楚！
• StatQuest：R 平方解釋
• 正規化第 1 部分：嶺迴歸
• 正則化第 2 部分：Lasso 迴歸
• 最大似然法
• 協方差和相關性第 1 部分：協方差
• 統計基礎知識：平均數、變異數和標準差
• 統計基礎知識：總體參數
• 詞彙表：統計
• 術語表：機器學習
• 查看 R 平方

數學

• 機器學習數學在這篇文章中，我整理了一些很棒的電子資源（MOOC、YouTube 講座、書籍）來學習機器學習數學。
• 機器學習數學 - 一本關於機器學習數學的好書。 （免費電子書）
• 我強烈建議您瀏覽 3Blue1Brown 提供的以下資源
  • 線性代數的本質▶️
  • 微積分的本質▶️
  • 微分方程▶️
• 吉爾伯特·斯特朗：線性代數與微積分▶️
• 泰米爾語積分基礎知識▶️
• 新的 fast.ai 課程：計算線性代數
• 線性代數書

Python

• Socratica 的 Python 程式設計教學▶️
• w3schools 的 Python 教學？
• 學習Python程式設計？

麻木

• NumPy 和數據表示的直觀介紹
• CS231n：Python Numpy 教程
• NumPy 資源：端對端機器學習庫的一部分
• 100 個 numpy 練習（含解）
• 101 個用於資料分析的 NumPy 練習 (Python)
• Numpy 教程 – ndarray 簡介
• Sci-Py 講座：NumPy：建立和操作數值數據
• Python NumPy 初學者教程▶️在本教程中為初學者學習 NumPy 庫的基礎知識。它提供了有關 NumPy 如何運作以及它與 Python 內建清單如何比較的背景資訊。影片介紹如何使用 NumPy 編寫程式碼。它從創建數組的基礎知識開始，然後介紹更高級的內容。該影片涵蓋了創建數組、索引、數學、統計、重塑等內容。
• Python NumPy 教學 – 透過範例學習 NumPy 數組
• Python Numpy 陣列教程
• NumPy 教學：使用 Python 進行資料分析
• 深度學習先決條件：Python 中的 Numpy 堆疊▶️

貓熊

• 使用 Pandas 在 Python 中進行資料分析的直覺視覺介紹
• Data School 使用 pandas 使用 Python 進行資料分析▶️
• Data School 提供的 pandas 最佳實踐▶️
• Python Pandas 教學：初學者完整介紹

機器學習 YouTube 播放列表

• CodeBasics：機器學習教學 Python ▶️
• StatQuest：機器學習▶️
• senddex：使用 Python 進行機器學習▶️
• Simplilearn：機器學習教學影片▶️
• Python 機器學習教程▶️
• deeplizard：機器學習與深度學習基礎知識▶️

ML、DL 視覺解釋器

• MLU-解釋
• CNN新聞網解說員

注意：您可以在下面找到流行機器學習演算法的最佳講座

線性迴歸

• 線性迴歸：路易斯塞拉諾 (Luis Serrano) 的友善介紹▶️
• 統計 101：線性迴歸，基礎知識▶️
• 迴歸線擬合遊樂場
• 迴歸曲線擬合遊樂場

邏輯迴歸

• 線性迴歸與邏輯迴歸 |數據科學訓練|埃杜雷卡▶️
• 邏輯迴歸與感知器演算法：Luis Serrano 的友善介紹▶️

決策樹

• StatQuest：決策樹▶️
• StatQuest：決策樹，第 2 部分 - 特徵選擇與缺失資料▶️
• 決策樹介紹舉例？
• 決策樹？
• 蟒蛇 |使用 sklearn 進行決策樹回歸？
• 機器學習 |邏輯迴歸與決策樹分類？

隨機森林

• StatQuest：隨機森林第 1 部分 - 建構、使用與評估▶️
• StatQuest：隨機森林第 2 部分：缺失資料和聚類▶️
• 適合初學者的隨機森林？

促進機器學習

• 促進機器學習教程 |自適應提升、梯度提升、XGBoost |埃杜雷卡▶️
• AdaBoost，解釋清楚▶️
• 梯度提升第 1 部分：回歸主要思想▶️
• 梯度提升第 2 部分：回歸詳細信息▶️
• 梯度提升第 3 部分：分類▶️
• 梯度提升第 4 部分：分類詳細信息▶️
• XGBoost 第 1 部分：用於回歸的 XGBoost 樹▶️
• XGBoost 第 2 部分：用於分類的 XGBoost 樹▶️
• 整合方法 Sci-kit learn

支援向量機

• 支援向量機 (SVM)：Luis Serrano 的友善介紹▶️
• 支援向量機，解釋清楚！透過 StatQuest ▶️
• 支援向量機第 2 部分：StatQuest 的多項式核▶️
• 支援向量機第 3 部分：StatQuest 的徑向 (RBF) 內核▶️
• 支援向量機如何運作/如何打開黑盒子▶️
• 支援向量機 - 智慧數學（第 1 週） ▶️
• 揭秘支持向量機？
• 支援向量機 (SVM) - 有趣且簡單的機器學習▶️

貝葉斯定理

• 貝葉斯定理，使機率變得直觀▶️
• 貝葉斯定理和隱馬可夫模型的友好介紹▶️
• 貝葉斯陷阱▶️
• 樸素貝葉斯分類器：一種友善的方法▶️

K-最近鄰

• KNN 從頭開始？
• K 最近鄰演算法的機器學習基礎知識？

K-均值

• StatQuest：K 均值聚類▶️
• 機器學習教學 Python - 13：K 均值聚類▶️
• K 均值聚類演算法 - Python 中的 K 均值範例 - 機器學習演算法 - Edureka ▶️

主成分分析（PCA）

• StatQuest：只需 5 分鐘即可了解 PCA 主要想法！ ▶️
• StatQuest：主成分分析 (PCA)，逐步▶️
• 主成分分析 (PCA) 作者：Luis Serrano ▶️

機率圖形模型

• 機率圖形模型專業化

從頭開始梯度下降

最好的

• 使用梯度下降的線性迴歸？
• 梯度下降，一步一步▶️
• 隨機梯度下降，解釋清楚！ ▶️
• 優化如何工作關於機器學習優化基礎知識的簡短系列
• 使用梯度下降的線性迴歸
  • 程式碼
• 多項式迴歸
• 線性迴歸中的梯度下降 - 數學？
• 神經網路反向傳播傻瓜基礎知識▶️

額外的好人

• 3.4：梯度下降線性迴歸－智能與學習▶️
• 3.5: 梯度下降數學－智能與學習▶️
• 3.5a: 微積分：冪法則－智力與學習▶️
• 3.5b：微積分：鍊式法則－智能與學習▶️
• 3.5c：微積分：偏導數 - 智慧與學習▶️

消失梯度

• 梯度消失問題▶️
• 如何克服梯度消失問題▶️

如何處理局部最小值

• 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 機器學習簡介？
• Python 機器學習：Scikit-Learn 教程

深度學習

• DEEP BLUEBERRY BOOK這是一個關於深度學習的小型且非常集中的連結集合。如果您一直想學習深度學習的東西但不知道從哪裡開始，那麼您可能偶然發現了正確的地方！
• 6.S191：深度學習簡介（2019）
  • 課堂講座 (YouTube) - MIT 6.S191：深度學習簡介
  • 實驗室
• 麻省理工學院 6.S191 深度學習簡介（2020）
• 麻省理工學院 6.S191 深度學習簡介 (2023) (YouTube)
• 麻省理工學院深度學習基礎：簡介與概述
• 麻省理工學院深度學習 作者：Lex Fridman
  • 深度學習講座 (YouTube)
• 泰米爾語深度學習

深度學習書籍

• Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 的深度學習教科書
• 神經網路與深度學習 作者：Michael Nielsen
• Grokking 深度學習 作者：Andrew Trask

深度學習論文

• 深度學習論文閱讀路線圖

神經網路

• 深度學習和神經網路的友好介紹▶️
• 初學者機器學習：神經網路簡介？簡單解釋它們如何運作以及如何在 Python 中從頭開始實作它們。
• 神經網路基礎知識的視覺和互動式指南？
• 基本神經網路數學的可視化和互動觀察？
• 神經網路架構▶️
• 韋爾奇實驗室揭秘神經網絡▶️
  • YouTube 短劇《神經網路揭秘》的支援代碼。
• 3Blue1Brows 的神經網路系列▶️

電腦視覺

• CS131 電腦視覺：基礎與應用 2019 年秋季
• CS231A：電腦視覺，從 3D 重建到辨識 2018 年冬季
• 用於視覺識別的 CS231n 卷積神經網絡
• 電腦視覺筆記本

CNN

• CS231n：用於視覺識別的捲積神經網路 2019 年春季
• CS231n：用於視覺辨識的捲積神經網絡
• 卷積神經網路和影像辨識的友好介紹
• 卷積神經網路綜合指引—ELI5 方式
• 張量流卷積神經網路 (CNN)
• 卷積網路書籍
• CNN，第 1 部分：卷積神經網路簡介
• CS231n 2016 年冬季 作者：Andrej Karpathy 15 視頻
• 直觀理解卷積神經網路中的 1D、2D 和 3D 卷積
• CNN 解釋器一個互動式視覺化系統，旨在幫助非專家了解卷積神經網路 (CNN)

物體偵測

Cogneethi 物體偵測網路的演變

關於物件檢測的深入教程。直覺講座的主題範圍從經典的CV 技術（如HOG、SIFT）到基於卷積神經網路的技術（如Overfeat、Faster RCNN 等）。的。因此，目標偵測網路的演變被稱為「目標偵測網路的演進」。

• 篩選 |尺度不變特徵變換
• 豬的直覺 |定向梯度直方圖
• 網管系統 |非極大值抑制
• 對象定位 |邊界框回歸
• 物體偵測
• RCNN
• 空間金字塔匹配| SPM
• SPPNet 物體偵測
• 快速 RCNN 網絡
• 更快的 RCNN
• Yolo v4 物體偵測 - 它是如何工作的以及為什麼它如此神奇！
• 框架和函式庫
  • Facebook AI 的 Detectron2
  • MM偵測
  • 媒體管道
  • 優洛
  • TensorFlow 物件偵測 API
  • 電腦視覺食譜
• 標籤工具
  • 標籤圖像
  • 機器人流
  • 標籤工作室
• 程式碼範例
  • YOLO-物件計數-API

3D 物體檢測

• 宣布推出 Objectron 資料集 |谷歌人工智慧博客
• MediaPipe 物件龍 | Objectron（3D 物體偵測）

影像分割

• 電腦視覺教學：影像分割技術的逐步介紹（第 1 部分）

GAN

• Luis Serrano 對生成對抗網路 (GAN) 的友善介紹
• 生成對抗網絡 (GAN) 作者：Ahlad Kumar
• 建立我們的第一個簡單的 GAN
• 使用生成對抗網路進行臉部編輯
• 變分自動編碼器
• 50 行程式碼的生成對抗網路 (GAN) (PyTorch)
• 生成模型

風格轉移

• 用於快速風格遷移的 TensorFlow CNN ⚡???

自然語言處理

• CS224n：深度學習自然語言處理
• NLP 和改革者
• 插圖 Word2vec

循環神經網絡

• 循環神經網路圖解指南：理解直覺
• 任何人都可以學習用 Python 編寫 LSTM-RNN 程式碼（第 1 部分：RNN）初步了解神經網路的最初記憶。
• 循環神經網路的不合理有效性
• 初學者的循環神經網路簡介簡單介紹什麼是 RNN、它們如何運作以及如何使用 Python 從頭開始建立 RNN。
• Distill 的注意力和增強循環神經網絡
• 透過 Distill 視覺化 RNN 中的記憶檢查上下文中的梯度大小可以成為查看循環單元何時使用短期或長期上下文理解的強大工具。
• NLP 深度學習：ANN、RNN 和 LSTM 解釋！

長短期記憶網絡

• 了解 LSTM 網絡
• LSTM 實作解釋
• LSTM 自動編碼器的簡要介紹

變壓器和自註意力

Transformer 神經網路視覺指南（強烈建議）

• 第 1 部分 - 位置嵌入
• 第 2 部分 - 多頭和自註意力
• 第 3 部分 - 解碼器的屏蔽注意力
• NLP Transformers 關注播放列表
• 圖解變壓器
• 附註解的變壓器
• 變形金剛論文和代碼
• 從零開始的變形金剛
• 變形金剛筆記
• Transformer 解釋：了解 GPT-3、BERT 和 T5 背後的模型
• Transformer 變體的全面概述。
• 如何成為 NLP 和 Transformer 模型大師
• [大師班] 變形金剛 |注意力模型

伯特

• 簡單地用草圖解釋 BERT
• 首次使用 BERT 的視覺指南
• 插圖 BERT、ELMo 等。 （NLP 如何破解遷移學習）
• BERT 解釋：最先進的 NLP 語言模型
• BioBERT，生物醫學領域的語言表示模型，專門針對生物醫學命名實體識別、關係提取、問答等生物醫學文本挖掘任務而設計

GPT

• 圖解 GPT-2（視覺化 Transformer 語言模型）

強化學習

• 深度密集學習課程？
• 強化學習演算法的實施。 Python、OpenAI Gym、Tensorflow。 Sutton 的書和 David Silver 的課程附帶的練習和解決方案。
• Unity 機器學習代理程式工具包
• 編寫我的第一個機器學習遊戲！ (1/4)
• 深度強化學習：Andrej Karpathy 的 Pong 來自 Pixels
• 深度強化學習初學者指南
• Unity ML-Agents 簡介
• 使用 PyTorch 的深度強化學習演算法
• 講座：強化學習簡介 - David Silver
• 書：強化學習 - Sutton 和 Barto 的簡介
• 書籍：Maxim Lapan 的深度強化學習實踐

火炬

• Udacity：使用 PyTorch 進行深度學習
• 深度學習 (PyTorch)：程式碼
• 優達學城：安全人工智慧
• 火炬腳本
• PyTorchZeroToAll（英文）Sung Kim 14 個影片系列
  • 支援程式碼
  • 幻燈片

TensorFlow

• TensorFlow 2.0 簡介：對於初學者來說更簡單，對於專家來說更強大（TF World '19）
• TensorFlow Lite：在裝置上執行 ML 的解決方案 (TF World '19)
• JavaScript 中的機器學習（TensorFlow 開發高峰會 2018）
• TensorFlow.js 快速入門
• Keras 與 tf.keras：TensorFlow 2.0 有什麼不同？
• 如何在 Raspberry Pi 上執行 TensorFlow Lite 進行物件偵測
• 電腦如何學會立即辨識物體 |約瑟夫·雷德蒙

TensorFlow 課程

• 用於深度學習的 TensorFlow 簡介
• TensorFlow 實務專業化：Coursera
• TensorFlow：資料與部署專業化：Coursera

PyTorch 與 TensorFlow

• 為什麼 PyTorch 在機器學習工程師中如此受歡迎？

遷移學習

• 使用 Keras 和深度學習進行遷移學習
• 深度學習中遷移學習與實際應用的綜合實踐指南
• TensorFlow 核心教程

部署模型

• 5 分鐘機器學習：如何部署 ML 模型（SurveyMonkey 工程師講解）
• 使用 Django 部署機器學習模型
• MlFlow - 機器學習生命週期的開源平台
• TensorFlow：資料和部署專業化

MIOPS

• MLOps 入門 - 2021 了解 MLOps 的資源集合。

程式碼

• 程式碼基礎/py
• Google代碼實驗室

備忘錄

• 人工智慧
• 機器學習
• 深度學習
• 機器學習提示和技巧
• 數據科學工具
• 使用 R 進行機器學習
• CHRIS ALBON 備忘單和快閃記憶體卡
• MLOps Tooling Landscape v2（+84 個新工具）- 20 年 12 月
• 數學工具
• 工程師常微分方程

邊緣機器學習套件

• Nvidia Jetson Nano 開發套件
• 英特爾® 神經計算棒 2（英特爾® NCS2）
• 珊瑚

數據科學競賽

• 卡格爾

重要的 YouTube 嗎？ AI/ML/RL/DS領域頻道

• 3藍1棕
• Josh Starmer 的 StatQuest
• 森德克斯
• 路易斯塞拉諾
• 布蘭登·羅勒
• 深蜥蜴
• 與蒂姆一起科技
• 微軟研究院
• 科里·謝弗
• 數據學校
• 兩分鐘論文
• 韋爾奇實驗室
• 簡單學習
• 偉大的學習
• 深度學習電視
• TensorFlow
• 深度學習.ai
• 代碼項目符號
• 教育！
• 萊克斯·弗里德曼
• 人工智慧頻道
• freeCodeCamp.org
• 雲x實驗室
• 亞歷山大·阿米尼
• 傑夫希頓
• 阿布舍克·塔庫爾
• 編碼列車

參考

• 如何開始機器學習！
• 我自創的人工智慧碩士學位
• https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
• StatQuest 的機器學習基礎知識
• senddex 使用 Python 進行機器學習
• 使用 Python 學習機器學習和資料科學的 5 個初學者友善步驟 - Daniel Bourke
• 數據學校
• 神經網路和深度學習
• https://www.machinelearningisfun.com/
• https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
• https://medium.com/greyatom
• https://greyatom.com/glabs
• 約翰·塞爾：《人工智慧中的意識》|在谷歌的演講
• 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