资源 | 致深度学习的入门者与小白的一份学习清单

源 | DL4J

本篇文章是基本按照学习的先后顺序进行写的。具体的入门方式取决于你已经掌握的知识。要理解并应用深度学习,必须先掌握线性代数、微积分和统计学,还应当具备编程及机器学习的知识

以下是相关学习资源的列表。本文中的段落大致按学习的顺序排列。可能部分链接的访问需翻墙!

免费的机器学习和深度学习网络课程

Coursera上的机器学习课程,Andrew Ng主讲

https://www.coursera.org/learn/machine-learning/home/info(可下载)

Coursera上的神经网络课程,Geoff Hinton主讲

https://www.coursera.org/learn/machine-learning/home/info(可下载)

MIT人工智能导论,Patrick Winston主讲(供希望了解人工智能概况的用户参考。)

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/

斯坦福卷积神经网络课程,Andrej Karpathy主讲(供希望了解图像识别的用户参考。)

https://cs231n.github.io/(可下载)

ML@B: 机器学习课程 1

https://ml.berkeley.edu/blog/2016/11/06/tutorial-1/

ML@B: 机器学习课程 2

https://ml.berkeley.edu/blog/2016/12/24/tutorial-2/

数学

理论: 通过可视化介绍概率和统计学

http://students.brown.edu/seeing-theory/

吴恩达第六课程:线性代数

https://www.youtube.com/playlist?list=PLnnr1O8OWc6boN4WHeuisJWmeQHH9D_Vg

Khan 学院的线性代数课程

https://www.khanacademy.org/math/linear-algebra

线性代数和机器学习; Patrick van der Smagt

https://www.youtube.com/watch?v=ZumgfOei0Ak

美国卡耐基梅隆大学的>线性代数

https://www.cs.cmu.edu/~zkolter/course/linalg/outline.html

机器学习的数学

https://www.umiacs.umd.edu/~hal/courses/2013S_ML/math4ml.pdf

沉浸线性代数

http://immersivemath.com/ila/learnmore.html

概率秘籍

https://static1.squarespace.com/static/54bf3241e4b0f0d81bf7ff36/t/55e9494fe4b011aed10e48e5/1441352015658/probability_cheatsheet.pdf

最好的线性代数书

https://begriffs.com/posts/2016-07-24-best-linear-algebra-books.html

解密马可夫链

http://setosa.io/ev/markov-chains/

机器学习MCMC介绍

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.13.7133&rep=rep1&type=pdf

编程

如果您还未掌握如何编程,建议从Python或Ruby的开始,学习这两种语言更容易掌握编程的基本理念。

《笨办法学Python》

https://learnpythonthehardway.org/

慢慢一步一步学习Python

https://learnpythonthehardway.org/

Pyret: Python学习环境

https://www.pyret.org/

Scratch:麻省理工学院的视觉编程环境

https://scratch.mit.edu/

《Learn to Program (Ruby)》

https://pine.fm/LearnToProgram/

命令行入门教程

https://learncodethehardway.org/unix/

命令行补充教程

https://www.learnenough.com/command-line-tutorial

Vim教程与基础知识(Vim是一种基于命令行的编辑器。)

https://danielmiessler.com/study/vim/

计算机科学导论(哈佛edX课程CS50)

https://www.edx.org/course/cs50s-introduction-computer-science-harvardx-cs50x

《计算机基本原理浅析》

https://marijnhaverbeke.nl/turtle/


原文地址:https://deeplearning4j.org/cn/deeplearningforbeginners.html

原文发布于微信公众号 - Python数据科学(Python_Spiderman)

原文发表时间:2018-11-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏专知

2018年Google TensorFlow开发者峰会亮点总结

本文由TensorFlow的产品经理Sandeep Gupta代表TensorFlow团队发布。 原文:https://medium.com/tensorflo...

41511
来自专栏互联网高可用架构

小目标运动物体检测算法-Pipeline

2443
来自专栏数据派THU

带你用4行代码训练RNN生成文本(附资源)

本文共1400字,建议阅读6分钟。 本文介绍仅需几行代码就能训练出任意大小和复杂度的文本的神经网络文本发生器。

1182
来自专栏应兆康的专栏

Andrew Ng - 《Machine Learning Yearning》 Chapter 23-27

Machine Learning Yearning. 全新版本 本书作者是Andrew NG

70426
来自专栏MixLab科技+设计实验室

你该掌握的AI技能:强化学习01

题图由人工智能设计师完成 最近在看一些强化学习的书籍,学习的过程就是要不断的输入,查找资料,理解各种资料,然后输出,总结学习心得,再次输入,输出。不断的重复输入...

3056
来自专栏新智元

谷歌 DeepMind 发布 DNC 升级版,可扩展的稀疏可读写存储器增强计算机 SAM

【新智元导读】谷歌DeepMind最新论文,在此前 DNC 成果的基础上,针对 DNC 无法扩展的问题,提出了一种端到端的可微分储存器读写机制,将其称为 “稀疏...

3576
来自专栏机器之心

现在,所有人都可以在18分钟内训练ImageNet了

该团队的主要训练方法是:fast.ai 用于分类任务的渐进式调整大小和矩形图像验证;英伟达的 NCCL 库,该库整合了 PyTorch 的 all-reduce...

1051
来自专栏ATYUN订阅号

MIT开发新型加密方法,使基于云的机器学习更具安全性

麻省理工学院研究人员设计的一种新型加密方法可以保护在线神经网络中使用的数据,而不会减慢其运行时间。这种方法有望在基于云的神经网络进行医学图像分析和其他使用敏感数...

1873
来自专栏祝威廉

为什么去开发一个MLSQL

第一个,算法的着眼点是,用最快速的方式清洗一些数据出来,然后接着建模训练,评估预测效果,之后再重复清洗数据,再试验。因为很多算法工程师都是Python系的,对他...

1172
来自专栏AI科技评论

动态|99.80%!腾讯优图刷新人脸识别新高度

AI科技评论消息,在国际权威人脸识别数据库LFW上,腾讯优图实验室在无限制条件下人脸验证测试(unrestricted labeled outside data...

4107

扫码关注云+社区

领取腾讯云代金券