作者 | Sanny Kim 来自 | 量子位
跟着网络资料自学、刷MOOC是许多人学深度学习的方式,但深度学习相关资源众多,应该从哪儿开始学呢?
富有自学经验的GitHub用户Sanny Kim贡献出了一份深度学习自学指南。
她自学成才,有Udacity、deeplearning.ai、Coursera的一大堆课程认证,甚至连大学都是上的以自学、MOOC著称的Minerva大学,自学卓有成效,曾经在微软做实习软件工程师,现在则是字节跳动(头条)AI实验室的机器学习实习生。
下面,就让我们来看看这份自学指南都包含什么内容吧。由于资料课程非常多,建议大家存下来慢慢看。
作为深度学习从业者,最重要的基础,一是代码,二是数学。
代码的选择毋庸置疑,一定要学Python,毕竟这是当今深度学习界最火的语言,没有之一。
而数学一样重要,虽然数学常常难倒英雄汉,不过如果你只是想把深度学习拿来在你的领域试用的话,暂时不需要搞明白太多数学基础,
但是,Sanny Kim建议,熟知数学理论基础,使用深度学习框架会更易懂,因此需要一定的微积分、线性代数和统计学基础,
Python可以选择下面的课程:
MIT 6.0001课程 https://www.youtube.com/watch?v=ytpJdnlu9ug&list=PLUl4u3cNGP63WbdFxL8giv4yhgdMGaZNA CodeCademy https://www.codecademy.com/learn/learn-python 如何像计算机科学家一样思考 http://interactivepython.org/runestone/static/thinkcspy/index.html 备用链接:https://runestone.academy 哈佛CS50 https://www.edx.org/course/cs50s-introduction-to-computer-science
哈佛CS50课程里Python讲得比较少,如果你喜欢阅读,可交互的在线书《如何像计算机科学家一样思考》会更适合你。
微积分方面有几个必须搞懂的概念:微分,链式法则和偏导数。
数学基础好、想要快速学习微积分的同学请戳:
MIT 18.01 单变量微积分 https://www.youtube.com/watch?v=jbIQW0gkgxo&t=1s
数学不太好的同学请戳:
伦纳德教授的微积分1 https://www.youtube.com/watch?v=fYyARMqiaag&list=PLF797E961509B4EB5
已经学过需要复习一下,或者几乎放弃治疗、只想简单了解一下的同学请戳:
可汗学院微积分1 https://www.khanacademy.org/math/calculus-1
补充材料:
3Blue1Brown 微积分的本质 https://www.youtube.com/watch?v=WUvTyaaNkzM&list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr
线代方面有几个必须搞懂的概念:向量,矩阵,矩阵运算,包括加减乘除逆运算。
还是一样,想认认真真搞懂线代的同学请戳:
MIT 18.06 线性代数 https://www.youtube.com/watch?v=ZK3O402wf1c&list=PLE7DDD91010BC51F8
走马观花的同学请戳:
可汗学院线性代数 https://www.khanacademy.org/math/linear-algebra
戳这个来了解更多实际的写代码方法:
Rachel Thomas的计算线性代数 https://www.youtube.com/watch?v=8iGzBMboA0I&index=1&list=PLtmWHNX-gukIc92m1K0P6bIOnZb-mg0hY
补充材料:
斯坦福CS229线性代数复习资料 http://cs229.stanford.edu/section/cs229-linalg.pdf 3Blue1Brown 线性代数的本质 https://www.youtube.com/watch?v=kjBOesZCoqc&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab
概率统计方面有几个必须搞懂的概念:平均值,标准差,分布,采样,贝叶斯定理。
哈佛统计110 https://www.youtube.com/watch?v=KbB0FjPg0mw&list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo 可汗学院概率统计 https://www.khanacademy.org/math/statistics-probability Brandon Foltz统计学101 https://www.youtube.com/user/BCFoltz/videos
补充材料:
斯坦福CS229概率统计复习资料 http://cs229.stanford.edu/section/cs229-prob.pdf
列了这么多数学课,你要是觉得上面这三门课学起来太累,可以只看和深度学习、机器学习相关的部分,那么安利你学习下面这两份材料:
深度学习需要的矩阵微积分 作者:Terence Parr,Jeremy Howard https://arxiv.org/abs/1802.01528 不想看pdf的手机用户可戳:https://explained.ai/matrix-calculus/index.html MIT 18.065 数据分析、信号处理和机器学习中的矩阵方法(2018) 作者:Gilbert Strang https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k
当然,因为数学嘛,毕竟是门大杀器,要是实在学不下去,可以先开始学下面的深度学习部分,看到哪儿原理不懂了,再回来翻资料理解一下。
现在,恭喜你学会了Python,还搞懂了一部分数学理论知识,终于可以开始学正儿八经的深度学习了。
深度学习入门非常重要的两套课程,分别是
吴恩达的deeplearning.ai https://www.coursera.org/specializations/deep-learning Jeremy Howard和Rachel Thomas的fast.ai http://course.fast.ai/
这两份资料在深度学习MOOC领域几乎无人不知无人不晓了,吴恩达的课程重视理论解释,fast.ai更侧重编码,Sanny Kim是这样学这两套课程的:
1、先看deeplearning.ai的1、2、4、5; 2、在看fast.ai的第一部分; 3、看deeplearning.ai的3; 4、(可选)做deeplearning.ai的作业; 5、把上面的1~4复习一遍。
fast.ai从第二部分开始相对比较难,建议后面再学。另外,想充分利用fast.ai,最好有一块GPU,没有的话就去薅Google羊毛,学习使用Colab(反正将来一定会用到的)。
攻略:学fast.ai,用Colab https://towardsdatascience.com/fast-ai-lesson-1-on-google-colab-free-gpu-d2af89f53604
最后,给读书党安利:
神经网络与深度学习 作者:Michael Nielsen http://neuralnetworksanddeeplearning.com/
不能光靠MOOC学深度学习,下面这些视频课程也要学习了解一下:
3Blue1Brown的神经网络 https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi Computerphile的神经网络 https://www.youtube.com/playlist?list=PLzH6n4zXuckoezZuZPnXXbvN-9jMFV0qh Brandon Rohrer的神经网络 https://www.youtube.com/watch?v=ILsA4nyG7I0 Python实用机器学习教程 https://www.youtube.com/watch?v=OGxgnH8y2NM&list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v
刷博客也是自学的重要途径,这里一些经典博客可以作为学习资料:
在处理可视化和动量方面做得非常好的Distill.pub https://distill.pub/ Andrej Karpathy的老博客 http://karpathy.github.io/ 深度强化学习 https://simoninithomas.github.io/Deep_reinforcement_learning_Course/ Towards Data Science https://towardsdatascience.com/
Jupyter笔记本:
Jupyter入门 https://www.youtube.com/watch?v=HW29067qVWk DataCamp Jupyter教程 https://www.datacamp.com/community/tutorials/tutorial-jupyter-notebook?utm Jupyter的坑,请注意避开 https://docs.google.com/presentation/d/1n2RlMdmv1p25Xy5thJUhkKGvjtV-dkAIsUXP-AL4ffI/preview?slide=id.g3b600ce1e2_0_0
NumPy:
斯坦福CS231 Numpy教程 http://cs231n.github.io/python-numpy-tutorial/ DataCamp Numpy教程 https://www.datacamp.com/community/tutorials/python-numpy-tutorial
Pandas:
Data School综合教程系列Pandas数据分析 https://www.youtube.com/watch?v=yzIMircGU5I&list=PL5-da3qGB5ICCsgW1MxlZ0Hq8LL5U3u9y Pandas的代码基础短教程 https://www.youtube.com/watch?v=CmorAWRsCAw&list=PLeo1K3hjS3uuASpe-1LjfG5f14Bnozjwy
Scikit-learn:
Data School scikit-learn教程系列 https://www.youtube.com/watch?v=CmorAWRsCAw&list=PLeo1K3hjS3uuASpe-1LjfG5f14Bnozjwy
Matplotlib:
Sentdex Matplotlib系列 https://www.youtube.com/watch?v=q7Bo_J8x_dw&list=PLQVvvaa0QuDfefDfXb9Yf0la1fPDKluPF Matplotlib视频教程 https://www.youtube.com/watch?v=b3lK639ymu4&list=PLNmACol6lYY5aGQtxghQTq0bHXYoIMORy
现在,基础、原理、代码你都学的差不多了,终于可以开始使用深度学习这项大杀器了。
那,拿来干点啥,从什么项目开始下手呢?可以看这些找找灵感:
超厉害的深度学习idea https://github.com/NirantK/awesome-project-ideas Kaggle比赛 https://www.kaggle.com/competitions Kaggle数据集 https://www.kaggle.com/datasets
另外,还需要做处选择,在TensorFlow、PyTorch、Keras等一大堆框架里选边站,找一个你觉得好用的框架。
项目实践好了之后,就可以开始写技术博客啦!
现在,你终于成为了一个掌握深度学习技能的人,可以考虑在计算机视觉、自然语言处理、机器学习、自动驾驶……等许多领域深入发展了。
不过,Sanny Kim还是建议大家先去学:
fast.ai的第二部分(2018版,2019版还没更新到第二部分) http://course18.fast.ai/part2.html
可以从这里了解一些前沿的东西,比如GAN、神经翻译、超分辨率之类的,之后就可以选择一个你喜欢的方向深入研究了。
斯坦福CS231n(2017) https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk 斯坦福CS231n(2016) https://www.youtube.com/watch?v=NfnWJUyUJYU&list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC UCF计算机视觉(2012) https://www.youtube.com/watch?v=715uLCHt4jE&list=PLd3hlSJsX_ImKP68wfKZJVIPTd8Ie5u-9
斯坦福CS231n不同年份有不同年份的特点,比如2017年有一个关于生成模型的课程,2016年有Jeff Dean的演讲,如果想了解在深度学习爆发之前计算机视觉的发展,可以看最后一个课程。
斯坦福CS224N NLP深度学习(2019) https://www.youtube.com/playlist?list=PLoROMvodv4rOhcuXMZkNm7j3fVwBBY42z Stanford CS224N NLP深度学习(2017) https://www.youtube.com/watch?v=OQQ-W_63UgQ&list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6 CMU NLP神经网络(2019) https://www.youtube.com/playlist?list=PL8PYTP1V4I8Ajj7sY6sdtmjgkt7eo2VMs 牛津&DeepMind深度学习NLP(2017) https://www.youtube.com/watch?v=RP3tZFcC2e8&list=PL613dYIGMXoZBtZhbyiBqb0QtgK6oJbpm GitHub: https://github.com/oxford-cs-deepnlp-2017/lectures
斯坦福CS224N的NLP、深度学习课程很棒,包含视频、PPT、作业、作业答案甚至还有课堂项目,相比之下2019版本包含了更多新内容。
牛津和DeepMind合作的项目也很不错,还附带了GitHub。
Fullstack深度学习训练营(2019年) https://fullstackdeeplearning.com/march2019 伯克利CS294深度无监督学习(2019) https://sites.google.com/view/berkeley-cs294-158-sp19/home 斯坦福CS230深度学习(2018) https://www.youtube.com/playlist?list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb CMU深度学习课程(2017) https://www.youtube.com/watch?v=fDlOQrLX8Hs&list=PLpIxOj-HnDsOSL__Buy7_UEVQkyfhHapa 牛津深度学习课程(2015) https://www.youtube.com/watch?v=PlhFWT7vAEw&list=PLjK8ddCbDMphIMSXn-w1IjyYpHU3DaUYw Ian Goodfellow的《深度学习》(俗称花书) https://www.deeplearningbook.org/ NIPS(2017)会议视频 https://nips.cc/Conferences/2017/Videos ICML(2017)会议视频 https://icml.cc/Conferences/2017/Videos ICLR(2018)会议视频 https://www.facebook.com/pg/iclr.cc/videos/
如果想研究强化学习(RL),那很不幸你前面学的deeplearning.ai和fast.ai里都没有,所以Sanny Kim建议按照下面的顺序学习:
Arxiv Insight的强化学习视频介绍 https://www.youtube.com/watch?v=JgvyzIkgxF0 Jacob Schrum的强化学习简介 https://www.youtube.com/watch?v=3T5eCou2erg&list=PLWi7UcbOD_0u1eUjmF59XW2TGHWdkHjnS Andrej Karpathy关于深度强化学习的博客文章 http://karpathy.github.io/2016/05/31/rl/ 吴恩达关于马尔可夫决策过程的论文第1-2章 http://rll.berkeley.edu/deeprlcoursesp17/docs/ng-thesis.pdf 斯坦福CS234强化学习(2019) https://www.youtube.com/playlist?list=PLoROMvodv4rOSOPzutgyCTapiGlY2Nd8u OpenAI深度学习Spinning up(2018) https://spinningup.openai.com/en/latest/ DeepMind深度学习&强化学习进阶(2018) https://www.youtube.com/watch?v=iOh7QUZGyiU&list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs David Silver强化学习课程 https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLzuuYNsE1EZAXYR4FJ75jcJseBmo4KQ9- 伯克利CS294深层强化学习课程(2017) http://rll.berkeley.edu/deeprlcoursesp17/ 伯克利CS294深度强化学习(2018) http://rail.eecs.berkeley.edu/deeprlcourse/ 强化学习:简介(2018年) https://drive.google.com/file/d/1opPSz5AZ_kVa1uWOdOiveNiBFiEOHjkG/view 伯克利深度强化学习训练营(2017) https://www.youtube.com/watch?v=qaMdN6LS9rA&list=PLAdk-EyP1ND8MqJEJnSvaoUShrAWYe51U MILA强化学习暑期学校(2017) https://mila.quebec/en/cours/deep-learning-summer-school-2017/ Udacity深度强化学习GitHub Repo https://github.com/udacity/deep-reinforcement-learning Thomas Simonini深度强化学习课程 https://simoninithomas.github.io/Deep_reinforcement_learning_Course/
想要了解机器学习,吴恩达的课程是十分经典的教材。如果你想学习更多相关的数学理论,可以学加州理工的课程。
吴恩达的机器学习课程(2012) https://www.coursera.org/learn/machine-learning 加州理工CS156机器学习课程(2012) http://work.caltech.edu/telecourse.html Christopher Bishop的《模式识别和机器学习书》(2006) https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf 吴恩达《Machine Learning Yearning》 https://www.mlyearning.org/
如果你对自动驾驶感兴趣,可以去学MIT的课程,包含广泛的相关内容介绍,还有比如Aurora这种专业自动驾驶公司大佬的分享。
MIT自动驾驶课程(2018年) https://www.youtube.com/watch?v=-6INDaLcuJY&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf 自动驾驶的计算机视觉:问题,数据集和最新技术(2017) https://arxiv.org/pdf/1704.05519.pdf ICCV自动驾驶计算机视觉教程(2015) https://sites.google.com/site/cvadtutorial15/materials Udacity自动驾驶idea https://github.com/ndrplz/self-driving-car
你可能会发现,梯度下降、反向传播,这些问题都出现了
Sebastian Ruder梯度下降博客 http://ruder.io/optimizing-gradient-descent/ CS231n反向传播 http://cs231n.github.io/optimization-2/
重点论文:
AlexNet(2012) https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf VGG(2014) https://arxiv.org/abs/1409.1556 InceptionNet(2014) https://arxiv.org/pdf/1409.4842.pdf ResNet(2015) https://arxiv.org/abs/1512.03385 生成对抗网络(2014年) https://arxiv.org/abs/1406.2661 Yolo对象检测(2015) https://arxiv.org/abs/1506.02640 用深度强化学习玩雅达利游戏(2013) https://arxiv.org/pdf/1312.5602.pdf
备忘录:
深度学习 https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-deep-learning PyTorch https://www.sznajdman.com/pytorch-cheat-sheet/ Numpy https://www.datacamp.com/community/blog/python-numpy-cheat-sheet Pandas https://www.datacamp.com/community/blog/python-pandas-cheat-sheet Matplotlib https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet Scikit-Learn https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet Jupyter Notebook https://www.datacamp.com/community/blog/jupyter-notebook-cheat-sheet
GitHub https://github.com/sannykim/deep-learning-guide
推特 https://twitter.com/sannykimchi/status/1138103256792494085?s=21
专注于数据科学领域的知识分享
欢迎在文章下方留言与交流