关联博客：机器学习与深度学习相关课程资源及介绍 机器学习入门学习
摘要：主要的机器学习的纸质资源如下，建议入门学习的12和实战的4作为强化的入门学习，入门学习的3和实战的56作为强化训练（若时间不充足也可以直接按照我给的顺序学习），论文篇和专题篇作为想深入研究的同学学习
1. 《统计学习方法》李航 2. 《机器学习》周志华 3. 深度学习（deep learning）（Ian Goodfellow）
4. 机器学习实战Machine Learning in Action（Peter Harrington） 5. Tensorflow实战Google深度学习框架
6. Python深度学习Deep Learning with Python（keras之父Francois Chollet）
三、专题篇 生成对抗网络入门（史丹青）&GAN中实战生成对抗网络（Kuntal Ganguly）
四、论文篇 1. 深度学习基础：[深度学习论文从0开始] 2.GAN：GAN最全论文合集
一、入门机器学习
1. 《统计学习方法》李航
这一部书务必每一部分都详细吃透，可以参考下面专题的笔记，如果学有余地可以钻研一下博客中完整代码。
相关blog专栏：机器学习十大算法
全书主要是两部分：
①统计学习方法基础概念（第1章）
②机器学习十大算法：（第2-11章）
感知机（perceptron）、k近邻（knn）、朴素贝叶斯（naive bayes）、决策树（decision tree）、逻辑回归和最大熵（logistic regression and maximum entropy）、支持向量机（svm）、提升方法（AdaBoost）、EM算法、隐马尔科夫模型（HMM）、条件随机场（CRF）
2. 《机器学习》周志华
这本书个人觉得当做统计学习方法的进阶篇比较好，两本书有重叠地方，但是更显然西瓜书一整本都在写西瓜，更具有工程导向性，在学习过程中也可以对应着统计学习方法里的十大算法每一章对照看。
相关blog专栏：：机器学习十大算法
全书主要是分两部分
①机器学习介绍introduction（第1章），模型评估model evaluation（第2章）
②算法：（第3-16章）
线性模型（linear model）、决策树（decision tree）、神经网络（NN）、支持向量机（svm）、贝叶斯分类器（naive bayes）、集成学习（Boosting）、聚类（cluster）、降维与度量学习（knn、PCA）、特征选择与稀疏学习（feature select and sparse data）、计算学习理论、半监督学习（Semi-supervised learning）、概率图模型、规则学习、强化学习
这里面算法在神经网络、半监督学习、强化学习都是很广阔的范畴，书中内容仅仅是很小很基础的一部分，可以简单看一看。在后面几本书我还会继续介绍这三大部分的内容。
3. 深度学习（deep learning）（Ian Goodfellow）
这一部分其实需要很长期的学习，我个人是看了大概200篇论文左右的量，然后再啃这本书，其实大部分都是用简洁的语言去叙述梳理这些论文，所以这本书对我的左右其实并不是很大，但是对于初接触的同学来说，可以通过这本书完成机器学习小白到深度学习许多理论和方法的学习。
这本书分为三部分：
①数学部分：
第2章线性代数：介绍基础的数结构、SVD、行列式等；主要是告诉你vectorilization带来的便利性；
第3章概率论与信息论：主要是用在贝叶斯网络
第4章数值计算：主要是介绍矩阵“二阶和三阶导”
第5章机器学习基础：机器学习任务、评估、数据集、统计方法、监督学习、梯度下降等
②深度网络
第6章NN：主要介绍反向传播原理
第7章正则化：主要是介绍要减轻过拟合程度的方法
第8章优化：各种下降方法，各种学习方法
第9章卷积网络CNN：池化、卷积计算、网络结构
第10章RNN：RNN基础、BRNN、S2S、DRNN、LSTM、GRU、Attention
第11章实践方法论：玄学调参的原理
第12章应用：CPU及GPU实现、CV、NLP、推荐系统（RS）
③深度学习研究
第13章线性因子模型：PCA
第14章自编码器
第15章表示学习 第16章结构化概率模型 第17章蒙特卡洛方法
第18章直面配分函数 第19章近似推断 第20章深度生成模型
后六章每一章都有单独的专题内容，可以简要看看。
二、机器学习实战篇
4. 机器学习实战Machine Learning in Action（Peter Harrington）
相关blog专栏：机器学习十大算法
本书很有必要一一动手实验，可以结合统计学习方法一起实现。
本书分三个部分：
①分类
②利用回归预测数值型数据
③无监督学习
5. Tensorflow实战Google深度学习框架
相关blog专栏：实战Google深度学习框架：TensorFlow
本书是使用Tensorflow实现深度学习，可以根据博客顺序学习。
[实战Google深度学习框架]Tensorflow(1)TF环境搭建+入门学习
[实战Google深度学习框架]Tensorflow(2)深层神经网络
[实战Google深度学习框架]Tensorflow(3)MNIST数字识别问题
[实战Google深度学习框架]Tensorflow(4)图像识别与卷积神经网络
[实战Google深度学习框架]Tensorflow(5)图像数据处理
[实战Google深度学习框架]Tensorflow(6)循环神经网络
实战Google深度学习框架]Tensorflow(7)自然语言处理
6. Python深度学习Deep Learning with Python（keras之父Francois Chollet）
相关blog专栏：Python深度学习——Deeplearning with Python
本书使用keras实现深度学习，可以根据博客顺序学习
三、专题篇
1. 生成对抗网络入门（史丹青）&GAN中实战生成对抗网络（Kuntal Ganguly）
相关blog专栏：生成对抗网络Generative Adversarial Network
注意这个专栏学习顺序应该按照我这里给出的顺序，还有大概20篇博客左右的量，未完待续。
[生成对抗网络GAN入门指南]（1）引言及实验预备知识和工具
[生成对抗网络GAN入门指南]（3）GAN的工程实践及基础代码
[生成对抗网络GAN入门指南]（4）DCGAN 深度卷积生成对抗网络
DCGAN应用: Semantic Image Inpainting with Deep Generative Models
[生成对抗网络GAN入门指南]（5）WassersteinGAN
[生成对抗网络GAN入门指南]（6）WassersteinGAN-GP
[生成对抗网络GAN入门指南]（7）cGAN: Conditional Generative Adversarial Nets
LAPGAN应用：Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks
[生成对抗网络GAN入门指南]（8）SGAN：Semi-Supervised Learning with Generative Adversarial Networks
[生成对抗网络GAN入门指南]（9）ACGAN: Conditional Image Synthesis with Auxiliary Classifier GANs
[生成对抗网络GAN入门指南]（10）InfoGAN: Interpretable Representation Learning by Information Maximizing GAN
SRAGN: Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
cGAN应用：Generative Adversarial Text to Image Synthesis
GAWWN：Learning What and Where to Draw
[生成对抗网络GAN入门指南]（11）StackGAN: Text to photo-realistic image synthesis with stacked generative advers
四、论文篇
相关专栏blog：paper_dl
1. 深度学习基础：[深度学习论文从0开始]
2.GAN：GAN最全论文合集
542
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
