AILearners下載 - AILearners源代碼下載

AILearners

其他源碼

1.0.0

下載

AIMI-CN 推薦AI學習路線以及課程筆記

組織介紹：

我們是一群愛好AI學習的愛好者！在這裡我們一起學習、互相督促、一起裝逼~
我們更新的一些AI相關的筆記~ 包括算法、機器學習、深度學習、自然語言處理，之後也會更新更多的筆記讓大家一起學習~

AIMI-CN AI學習交流群(裡面有各種AI相關的資源)【1015286623】

我們的公眾號也會時不時的推送各種干貨等你來關注~

搜索微信公眾號：'AI-ming3526'或者'計算機視覺這件小事' 獲取更多AI方向機器學習資源乾貨

我們的學習筆記(涉及算法、機器學習、深度學習、NLP等方向)

一、算法方向

1、算法與人生@bidongqinxian

為你學習機器學習開頭指引明路~

詳細文章地址

源碼地址

2、劍指Offer算法習題詳細解析@xiaoming3526

牛客網上刷《劍指Offer》的刷題筆記，旨在提升我們算法能力~

詳細文章地址

csdn地址

二、機器學習方向

1、吳恩達老師機器學習筆記@JermaineZ @niuhongying @liuxinyi222

為你打開機器學習的大門~

詳細的筆記地址

2、《機器學習實戰》課程及代碼詳細解析、書籍、數據集下載@Fermin

讓你用代碼來體驗機器學習~

課程詳細筆記地址

機器學習實戰書籍

源碼和數據集下載

3、《機器學習》周志華西瓜書筆記待定

三、深度學習方向

斯坦福cs231n 面向視覺識別的捲積神經網絡課程筆記@5people

詳細介紹什麼是神經網絡、CNN、RNN、GAN~

詳細的筆記地址

四、自然語言處理NLP方向

1、斯坦福cs224n 2019基於深度學習的NLP 課程筆記、課後作業、學習資料@Guokaijie

我們一起學習最前沿的NLP知識~

cs224n課程詳細筆記

cs224n學習資料提取碼：e234

youtube視頻鏈接國內可以在B站找到

2、python自然語言處理實戰書籍代碼筆記@changan

在實戰代碼中學習NLP~

詳細筆記地址

代碼以及書籍下載地址

AIMI-CN推薦AI學習路線：機器學習、深度學習、NLP等推薦的學習資料以及學習方向

觀看先決條件：
選擇，方法，堅持<br> 我們都知道現在資源是非常非常的多我們首先選擇一份真正適合自己的資料，然後用適合自己的方法來學習~最後最重要的就是堅持！！！

轉載一個非常牛的幾個組織整理出來的AI學習路線重磅| 完備的AI 學習路線，最詳細的資源整理！

一、機器學習

機器學習建議

學習機器學習需要一定的數學基礎，但是僅僅是一點數學基礎，不要被這些嚇壞了，各位都是大佬，拿起鍵盤就是乾。

我就根據自己的一點點經驗來分析一下應該怎麼學----

首先需要的是兩個放棄：

1. 放棄海量資料！

沒錯，就是放棄海量資料！在我們想要入門機器學習的時候，往往會蒐集很多資料，什麼xx學院機器學習內部資源、機器學習從入門到進階百G 資源、xx 人工智能教程，等等。很多時候我們拿著十幾G、幾百G 的學習資源，然後踏踏實實地放到了某雲盤裡存著，等著日後慢慢學習。殊不知，有90% 的人僅僅只是蒐集資料、保存資料而已，放在雲盤裡一年半載也忘了打開學習。躺在雲盤的資料很多時候只是大多數人“以後好好學習”的自我安慰和“自我”安全感而已。而且，面對海量的學習資料，很容易陷入到一種迷茫的狀態，最直接的感覺就是：天啊，有這麼多東西要學！天啊，還有這麼多東西沒學！簡單來說，就是選擇越多，越容易讓人陷入無從選擇的困境。

所以，第一步就是要放棄海量資料！而是選擇一份真正適合自己的資料，好好研讀下去！

2. 放棄從零起步！

說到入門，很多人會想著那就要從最基礎的知識開始學起！機器學習是一門融合概率論、線性代數、凸優化、計算機、神經科學等多方面的複雜技術。學好機器學習需要的理論知識很多，有些人可能基礎不是特別紮實，就想著從最底層的知識開始學起，概率論、線性代數、機器學習凸優化公式推導，等等。但是這樣做的壞處是比較耗時間，而且容易造成“懈怠學習”，打消學習的積極性。因為啃書本和推導公式相對來說是比較枯燥的，遠不如自己搭建一個簡單的回歸模型更能激發自己的學習積極性。當然，不是說不需要鑽研基礎知識，基礎理論知識非常重要！只是說，在入門的時候，最好先從頂層框架上有個系統的認識，然後再從實踐到理論，有的放矢的查缺補漏機器學習知識點。從宏觀到微觀，從整體到細節，更有利於機器學習快速入門！而且從學習的積極性來說，也起到了“正反饋”的作用。

3、機器學習入門學習路線

好了，談完了機器學習入門之前的兩個“放棄”之後，我們就在介紹一下入門路線。

3.1 數學基礎

個人認為首先需要的數學基礎：概率論、矩陣論以及微積分。沒有也不要緊，邊看邊學，看到不會的查一下就行了。

【免費】數學教學視頻- 可汗學院入門篇

概率	統計	線性代數
可汗學院(概率)	可汗學院(統計學)	可汗學院(線性代數)

3.2、然後就是機器學習基礎了

吳恩達老師的視頻毫無疑問是經典

【免費】機器/深度學習視頻- 吳恩達

機器學習	深度學習
吳恩達機器學習	神經網絡和深度學習

然後推荐一個比較偏向基礎的國內一群大佬錄得機器學習視頻比吳恩達老師的稍微好懂點

機器學習實戰-ApacheCN 中文開源組織
大致內容就是帶著學習了《機器學習實戰》這本書來做的

機器學習實戰書籍

機器學習實戰視頻

3.3、進階

基本上完成上述課程就算是入門了。接下來可以根據自己的興趣和方向，有的放矢。例如主攻CV 方向，可以繼續學習斯坦福CS231n 課程：

CS231n: Convolutional Neural Networks for Visual Recognition

如果主攻NLP 方向可以學習斯坦福CS224n 課程：

CS224n: Natural Language Processing with Deep Learning

當然，台大李宏毅的課程也很不錯：

Hung-yi Lee

當然這些國內都會有對應大佬有視頻的翻譯(b站) 感興趣的自己找找

二、NLP學習

現在市面上有很多介紹自然語言處理技術的書，網上也有很多關於NLP的學習課程和網站。但經過調研，發現斯坦福的cs224n：深度學習的自然語言處理，受到了廣大NLP愛好者的青睞。但是，據我們所知，還沒有發現有一個關於2019最新cs224n課程的中文學習筆記。所以，為了使大家更好地入門NLP科研，我們在此和大家分享我們的學習心得，希望可以和大家一起學習。

學習內容

自然語言處理（NLP）是信息時代最重要的技術之一，也是人工智能的關鍵部分。 NLP的應用無處不在，因為人們幾乎用語言進行交流：網絡搜索，廣告，電子郵件，客戶服務，語言翻譯，醫學報告等。近年來，深度學習方法在許多不同的NLP任務中獲得了非常高的性能，使用單個端到端神經模型，不需要傳統的，任務特定的特徵工程。 2019年課程較之以往，主要有兩點區別。一是使用PyTorch而不是TensorFlow，二是課程安排更加緊密。通過該課程的學習，大家將學習、實施和理解他們自己的神經網絡模型所需的技能。