aimi-cn / Ailearners
Programming Languages
Projects that are alternatives of or similar to Ailearners
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】
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~
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~
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~
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~
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~
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~
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
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：
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：
