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访问外国网站！

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