AILearners

by aimi-cn

aimi-cn /AILearners

机器学习、深度学习、自然语言处理、计算机视觉、各种算法等AI领域相关技术的路线、教程、干货分享。笔记有:机器学习实战、剑指Offer、cs231n、cs131、吴恩达机器学习、cs224n、pytho...

159 Stars 75 Forks Last release: Not found Apache License 2.0 288 Commits 0 Releases

Available items

No Items, yet!

The developer of this repository has not created any items for sale yet. Need a bug fixed? Help with integration? A different license? Create a request here:

AIMI-CN 推荐AI学习路线以及课程笔记

组织介绍:

我们是一群爱好AI学习的爱好者!在这里我们一起学习、互相督促、一起装逼~
我们更新的一些AI相关的笔记~ 包括算法、机器学习、深度学习、自然语言处理,之后也会更新更多的笔记让大家一起学习~

AIMI-CN AI学习交流群(里面有各种AI相关的资源)【1015286623】AI~AIMICN

我们的公众号也会时不时的推送各种干货等你来关注~

搜索微信公众号:'AI-ming3526'或者'计算机视觉这件小事' 获取更多AI方向机器学习资源干货

我们的学习笔记(涉及算法、机器学习、深度学习、NLP等方向)

一、算法方向

1、算法与人生 @bidongqinxian

为你学习机器学习开头指引明路~

详细文章地址

源码地址

2、剑指Offer算法习题详细解析 @xiaoming3526

牛客网上刷《剑指Offer》的刷题笔记,旨在提升我们算法能力~

详细文章地址

csdn地址

二、机器学习方向

1、吴恩达老师机器学习笔记@JermaineZ @niuhongying @liuxinyi222

为你打开机器学习的大门~

详细的笔记地址

2、《机器学习实战》课程及代码详细解析、书籍、数据集下载 @Fermin

让你用代码来体验机器学习~

课程详细笔记地址

机器学习实战书籍

源码和数据集下载

3、《机器学习》周志华西瓜书笔记待定

三、深度学习方向

斯坦福cs231n 面向视觉识别的卷积神经网络课程笔记@5people

详细介绍什么是神经网络、CNN、RNN、GAN~

详细的笔记地址

四、自然语言处理NLP方向

1、斯坦福cs224n 2019 基于深度学习的NLP 课程笔记、课后作业、学习资料 @Guokaijie

我们一起学习最前沿的NLP知识~

cs224n课程详细笔记

cs224n学习资料 提取码:e234

youtube视频链接 国内可以在B站找到

2、python自然语言处理实战书籍代码笔记@changan

在实战代码中学习NLP~

详细笔记地址

代码以及书籍下载地址

AIMI-CN推荐AI学习路线:机器学习、深度学习、NLP等推荐的学习资料以及学习方向

观看先决条件:
选择,方法,坚持
我们都知道现在资源是非常非常的多 我们首先选择一份真正适合自己的资料,然后用适合自己的方法来学习~最后最重要的就是坚持!!!

转载一个非常牛的几个组织整理出来的AI学习路线 重磅 | 完备的 AI 学习路线,最详细的资源整理!

一、机器学习

机器学习建议

学习机器学习需要一定的数学基础,但是仅仅是一点数学基础,不要被这些吓坏了,各位都是大佬,拿起键盘就是干。

我就根据自己的一点点经验来分析一下应该怎么学----

首先需要的是两个放弃:

1. 放弃海量资料!

没错,就是放弃海量资料!在我们想要入门机器学习的时候,往往会搜集很多资料,什么 xx学院机器学习内部资源、机器学习从入门到进阶百 G 资源、xx 人工智能教程,等等。很多时候我们拿着十几 G、几百 G 的学习资源,然后踏踏实实地放到了某云盘里存着,等着日后慢慢学习。殊不知,有 90% 的人仅仅只是搜集资料、保存资料而已,放在云盘里一年半载也忘了打开学习。躺在云盘的资料很多时候只是大多数人“以后好好学习”的自我安慰和“自我”安全感而已。而且,面对海量的学习资料,很容易陷入到一种迷茫的状态,最直接的感觉就是:天啊,有这么多东西要学!天啊,还有这么多东西没学!简单来说,就是选择越多,越容易让人陷入无从选择的困境。

所以,第一步就是要放弃海量资料!而是选择一份真正适合自己的资料,好好研读下去!

2. 放弃从零起步!

说到入门,很多人会想着那就要从最基础的知识开始学起!机器学习是一门融合概率论、线性代数、凸优化、计算机、神经科学等多方面的复杂技术。学好机器学习需要的理论知识很多,有些人可能基础不是特别扎实,就想着从最底层的知识开始学起,概率论、线性代数、机器学习凸优化公式推导,等等。但是这样做的坏处是比较耗时间,而且容易造成“懈怠学习”,打消学习的积极性。因为啃书本和推导公式相对来说是比较枯燥的,远不如自己搭建一个简单的回归模型更能激发自己的学习积极性。当然,不是说不需要钻研基础知识,基础理论知识非常重要!只是说,在入门的时候,最好先从顶层框架上有个系统的认识,然后再从实践到理论,有的放矢的查缺补漏机器学习知识点。从宏观到微观,从整体到细节,更有利于机器学习快速入门!而且从学习的积极性来说,也起到了“正反馈”的作用。

3、机器学习入门学习路线

好了,谈完了机器学习入门之前的两个“放弃”之后,我们就在介绍一下入门路线。

3.1 数学基础

个人认为首先需要的数学基础:概率论、矩阵论以及微积分。没有也不要紧,边看边学,看到不会的查一下就行了。

【免费】数学教学视频 - 可汗学院 入门篇

| 概率 | 统计 | 线性代数 | | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | | 可汗学院(概率) | 可汗学院(统计学) | 可汗学院(线性代数) |

3.2、然后就是机器学习基础了

吴恩达老师的视频毫无疑问是经典

【免费】机器/深度学习视频 - 吴恩达

| 机器学习 | 深度学习 | | ------------------------------------------------------------ | ------------------------------------------------------------ | | 吴恩达机器学习 | 神经网络和深度学习 |

然后推荐一个比较偏向基础的 国内一群大佬录得机器学习视频 比吴恩达老师的稍微好懂点

机器学习实战-ApacheCN 中文开源组织

大致内容就是带着学习了《机器学习实战》这本书来做的

机器学习实战书籍

机器学习实战视频

3.3、进阶

基本上完成上述课程就算是入门了。接下来可以根据自己的兴趣和方向,有的放矢。例如主攻 CV 方向,可以继续学习斯坦福 CS231n 课程:

CS231n: Convolutional Neural Networks for Visual Recognition

如果主攻 NLP 方向可以学习斯坦福 CS224n 课程:

CS224n: Natural Language Processing with Deep Learning

当然,台大李宏毅的课程也很不错:

Hung-yi Lee

当然这些国内都会有对应大佬有视频的翻译(b站) 感兴趣的自己找找

二、NLP学习

现在市面上有很多介绍自然语言处理技术的书,网上也有很多关于NLP的学习课程和网站。但经过调研,发现斯坦福的cs224n:深度学习的自然语言处理,受到了广大NLP爱好者的青睐。但是,据我们所知,还没有发现有一个关于2019最新cs224n课程的中文学习笔记。所以,为了使大家更好地入门NLP科研,我们在此和大家分享我们的学习心得,希望可以和大家一起学习。

学习内容

自然语言处理(NLP)是信息时代最重要的技术之一,也是人工智能的关键部分。NLP的应用无处不在,因为人们几乎用语言进行交流:网络搜索,广告,电子邮件,客户服务,语言翻译,医学报告等。近年来,深度学习方法在许多不同的NLP任务中获得了非常高的性能,使用单个端到端神经模型,不需要传统的,任务特定的特征工程。2019年课程较之以往,主要有两点区别。一是使用PyTorch而不是TensorFlow,二是课程安排更加紧密。通过该课程的学习,大家将学习、实施和理解他们自己的神经网络模型所需的技能。

先决条件

1.了解python基本用法

2.了解基本的微积分、线性代数和概率统计内容

3.对机器学习有一定的认识

4.对NLP学习有着浓厚的兴趣爱好

但是,我们不需要从零基础开始学习,这样会降低我们对学习的兴趣。所以,我们只要在学习的过程中不断弥补自身先决条件的不足,这样一定可以走进NLP学习的大门。

免责声明 - 【只供学习参考】

  • 本项目纯粹出于学习目的

组织logo:

We use cookies. If you continue to browse the site, you agree to the use of cookies. For more information on our use of cookies please see our Privacy Policy.