CS-DL-Route
深度学习路线
对NLP领域进行深入的学习,争取一步一个脚印,在学习的过程中不断完善此项目内容以及结构,有兴趣的也可以一同更新完善。
数学--高等数学
- 数学基础:高等数学
- 高等数学知识集合
- 高等数学 第七版(上册)
- 高等数学 第七版(下册)
数学--线性代数
- 数学基础:线性代数
- 线性代数课件(完整版)同济大学
- 矩阵分析引论罗家洪(第四版)
数学--概率论
- 数学基础:概率论与数理统计
- 概率论与数理统计公式整理(超全免费版)PDF
- 概率论与数理统计讲义
- 概率论与数理统计课件(PPT)
数学--凸优化
- 凸优化_Boyd_王书宁译
- ConvexOptimization_Boyd_slides
- Convex Optimization_Solutions
- 凸优化知识点整理
- Ch1-2 引言
- Ch3 凸函数
- Ch4 凸优化问题
- Ch5 对偶问题
- Ch6 逼近与拟合
- Ch7 统计估计
- Ch8 几何问题
- Ch9 无约束优化
- Ch10 等式约束优化
- Ch11 内点法
- 凸优化重点整理&总结
机器学习基础--数学过渡
- 统计学习方法
- 周志华-机器学习(西瓜书) 书中公式推导
- 斯坦福大学机器学习数学基础
深度学习
- 深度学习入门300页ppt
- 神经网络与深度学习
- 神经网络与深度学习 - 复旦邱锡鹏
- 《深度学习》 -- 花书
- 《深度学习 500 问》
理论实战
- 《Scikit-Learn 与 TensorFlow 机器学习实用指南》
网络课程
机器学习
这绝对是机器学习入门的首选课程,没有之一!即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础,也能轻松上手这门机器学习入门课,并体会到机器学习的无穷趣味。网易云课堂搬运了这门课,并由黄海广等人翻译了中文字幕。该课程有中文笔记以及作业代码。
吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似,但是有更多的数学要求和公式的推导,难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。
**大学林轩田老师的《机器学习基石》课程由浅入深、内容全面,基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣,总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些,侧重于机器学习理论知识。
《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法,包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》,具有很强的实用性。
深度学习
在吴恩达开设了机器学习课程之后,发布的《Deep Learning》课程也备受好评,吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你,是入门学习不可多得良好视频资料。整个专题共包括五门课程:01.神经网络和深度学习;02.改善深层神经网络-超参数调试、正则化以及优化;03.结构化机器学习项目;04.卷积神经网络;05.序列模型。
说到深度学习的公开课,与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由 Fast.ai 出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上”,是绝佳的通过实战学习深度学习的课程。
强化学习
与吴恩达的课程对于机器学习和深度学习初学者的意义相同,David Silver 的这门课程绝对是大多数人学习强化学习必选的课程。课程从浅到深,把强化学习的内容娓娓道来,极其详尽。不过由于强化学习本身的难度,听讲这门课还是有一定的门槛,建议还是在大致了解这个领域之后观看该视频学习效果更佳,更容易找到学习的重点。
David Silver 的课程虽然内容详尽,但前沿的很多内容都没有被包括在内,这时,台大李宏毅的《深度强化学习》就是学习前沿动态的不二之选。
论文
-
Deep Learning Papers 阅读路线 地址
-
吴恩达在Deep Learning课程中提到的论文
-
Papers with Code Papers with Code(Browse state-of-the-art)
-
Arxiv Stats Arxiv 机器学习最新论文检索主页地址
参考文档及工具
比赛是提升自己机器学习实战能力的最有效的方式,首选 Kaggle 比赛。
Scikit-Learn 作为机器学习一个非常全面的库,是一份不可多得的实战编程手册。
这款神器只要截个图,公式会自动转化为 LaTex 表达式,我们只需要简单地修改就行了。
Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件,如今已被广泛使用。此篇使用说明主要分享引用研究资源功能,其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。