1.数学
数学是学不完的,也没有几个人能像博士一样扎实地学好数学基础,入门人工智能领域,其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程,这三门课程是本科必修的。这里整理了一个简易的数学入门文章。
数学基础:高等数学 https://zhuanlan.zhihu.com/p/36311622
数学基础:线性代数 https://zhuanlan.zhihu.com/p/36584206
数学基础:概率论与数理统计 https://zhuanlan.zhihu.com/p/36584335
机器学习的数学基础资料下载:
1.机器学习的数学基础.docx 中文版,对高等数学、线性代数、概率论与数理统计三门课的公式做了总结
2) 斯坦福大学机器学习的数学基础.pdf 原版英文材料,非常全面,建议英语好的同学直接学习这个材料 下载链接: https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg 提取码: hktx
推荐教材 相比国内浙大版和同济版的数学教材,通俗易懂,便于初学者更好地奠定数学基础 下载链接:https://blog.csdn.net/Datawhale/article/details/81744961
2.统计学
-
入门教材:
深入浅出统计学
-
进阶教材:
商务与经济统计
-
视频
可汗学院统计学:http://open.163.com/special/Khan/khstatistics.html
3.编程
入门人工智能领域,推荐Python这门编程语言。
1) Python安装:
关于python安装包,我推荐下载Anaconda,Anaconda是一个用于科学计算的Python发行版,支持 Linux, Mac, Windows系统,提供了包管理与环境管理的功能,可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。
下载地址:https://www.anaconda.com/download/ 推荐选Anaconda (python 3.7版本)
IDE:推荐使用pycharm,社区版免费 下载地址:https://www.jetbrains.com/
安装教程: Anaconda+Jupyter notebook+Pycharm: https://zhuanlan.zhihu.com/p/59027692
Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8): https://zhuanlan.zhihu.com/p/50302396
2) python入门的资料推荐
a.廖雪峰python学习笔记 https://blog.csdn.net/datawhale/article/category/7779959
b.python入门笔记 作者李金,这个是jupyter notebook文件,把python的主要语法演示了一次,值得推荐。 下载链接: https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA 提取码: 2bzh
c.南京大学python视频教程 这个教程非常值得推荐,python主要语法和常用的库基本涵盖了。 查看地址:https://www.icourse163.org/course/0809NJU004-1001571005?from=study
看完这三个资料,python基本入门了,可以使用scikit-learn等机器学习库来解决机器学习的 问题了。
3)补充
代码规范: https://zhuanlan.zhihu.com/p/59763076
numpy练习题: https://zhuanlan.zhihu.com/p/57872490 pandas练习题: https://zhuanlan.zhihu.com/p/56644669
数据分析/挖掘
1.数据分析的基础书籍:
《利用python进行数据分析》 这本书含有大量的实践案例,你将学会如何利用各种Python库(包括NumPy,Pandas、Matplotlib以及IPython等)高效地解决各式各样的数据分析问题。如果把代码都运行一次,基本上就能解决数据分析的大部分问题了。
2.特征工程:
https://blog.csdn.net/Datawhale/article/details/83033869
3.数据挖掘项目:
https://blog.csdn.net/datawhale/article/details/80847662
机器学习
1.公开课 - 吴恩达《Machine Learning》
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。
课程主页 https://www.coursera.org/learn/machine-learning
下载链接:https://pan.baidu.com/s/16065BpNAP7JEx_PpFHLSOw 提取码:xcmi
中文视频 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。
中文笔记及作业代码 https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
2.公开课 - 吴恩达 CS229
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。主题包括:监督学习(生成/鉴别学习、参数/非参数学习、神经网络、支持向量机);无监督学习(聚类、降维、核方法);学习理论(偏差/方差权衡;VC理论;大幅度利润);强化学习和自适应控制。本课程还将讨论机器学习的最新应用,如机器人控制、数据挖掘、自主导航、生物信息学、语音识别以及文本和Web数据处理。
课程主页:http://cs229.stanford.edu/
中文视频
http://open.163.com/special/opencourse/machinelearning.html
中文笔记
https://kivy-cn.github.io/Stanford-CS-229-CN/#/
速查表
这份给力的资源贡献者是一名斯坦福的毕业生 Shervine Amidi。作者关于 CS229 整理了一份超级详细的速查表 https://zhuanlan.zhihu.com/p/56534902
作业代码
https://github.com/Sierkinhane/CS229-ML-Implements
3.公开课 - 林轩田《机器学习基石》
课程介绍
台湾大学林轩田老师的《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。
中文视频
https://www.bilibili.com/video/av36731342
中文笔记
https://redstonewill.com/category/ai-notes/lin-ml-foundations/
配套教材
配套书籍为《Learning From Data》,在线书籍主页:http://amlbook.com/
4.公开课 - 林轩田《机器学习技法》
课程介绍
《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。
中文视频
https://www.bilibili.com/video/av36760800
中文笔记
https://redstonewill.com/category/ai-notes/lin-ml-techniques/
5.书籍 - 《机器学习》
周志华的《机器学习》被大家亲切地称为“西瓜书”。这本书非常经典,讲述了机器学习核心数学理论和算法,适合有作为学校的教材或者中阶读者自学使用,入门时学习这本书籍难度稍微偏高了一些。
这本书配合《机器学习实战》这本书,效果很好!
读书笔记
https://www.cnblogs.com/limitlessun/p/8505647.html#_label0
公式推导
https://datawhalechina.github.io/pumpkin-book/#/