人工智能学习资料

人工智能资料大全

---

斯坦福大学cs231

• 课件地址：http://cs231n.stanford.edu/slides/2017/
• 课程视频地址：https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv
• Bilibili视频地址：http://www.bilibili.com/video/av13260183/#page=1

　　1、入门首选：

　　http://deeplearning.net/tutorial/
　　该站提供了一系列的theano代码示范，通过研究模仿，就可以学会包括NN/DBN/CNN/RNN在内的大部分主流技术。其中也有很多文献连接以供参考。
　　2、BP神经网络：
　　http://neuralnetworksanddeeplearning.com/
　　第1部分的教程中，神经网格的参数是theano自动求导的，如果想深入了解细节，还得手动推导加代码实现一遍。该教程对BP神经网络的理论细节讲的非常好。
　　3、理论补充：
　　http://goodfeli.github.io/dlbook/
　　该书内容比较广泛，虽未最终完成，但已初见气象。用来完善理论知识是再好不过。
　　4、图像处理中的卷积神经网络：
　　http://vision.stanford.edu/teaching/cs231n/syllabus.html
　　前面三部分相当于导论，比较宽泛一些，该教程则是专注于卷积神经网络在图像视觉领域的运用，CNN方面知识由此深入。
　　5、自然语言处理中的深度学习：
　　http://cs224d.stanford.edu/
　　本教程则偏重于深度学习在自然语言处理领域的运用，词向量等方面知识由此深入。
　　6、递归神经网络：
　　http://www.wildml.com/
　　该博客讲的RNN是非常棒的系列，不可不读。
　　7、keras框架：
　　http://keras.io/
　　keras框架是基于theano的上层框架，容易快速出原型，网站中提供的大量实例也是非常难得的研究资料。
　　8、深度学习和NLP
　　https://github.com/nreimers/deeplearning4nlp-tutorial/tree/master/2015-10_Lecture
　　该教程是第5部分的补充，理论讲的不多，theano和keras代码讲的很多，附带的代码笔记很有参考价值。
　　9、机器学习教程
　　https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/
　　牛津大学的机器学习课程，讲到了大量深度学习和强化学习的内容，适合于复习过一遍。
　　10、搭建硬件平台
　　http://xccds1977.blogspot.com/2015/10/blog-post.html
　　到这里，你的理论和代码功力应该差不多入门了，可以组个GPU机器来大干一场了。可以参考笔者这个博客来攒个机器。
　　11、去kaggle实战玩玩吧
http://www.kaggle.com/

　　链接：https://ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/index.htm
　　MIT微积分公开课
　　链接：https://www.edx.org/course/calculus-1a-differentiation-mitx-18-01-1x
　　MIT概率论公开课
　　链接：https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2
神经网络细胞原理 http://www.tudou.com/listplay/sQi_LbKp7Kk/VUQGmBXIzf0.html
人工神经网络 http://www.analyticsvidhya.com/blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/