华南理工深度学习与神经网络期末考试_Python 深度学习 神经网络 强化学习

深度学习火, Python 简单. 两个加起来让你飞起来.

其实在你飞起来之前, 是不是也要加加油, 补补胎, 学学怎么开飞机呢? 那我们就直奔主题吧. 问题就是, 怎么学?

学概念

深度学习, 机器学习有各种概念, 弄清楚概念, 就等于弄清楚了开飞机的说明书, 我们好上路. 首推这一套 [有趣的机器学习]系列.

全动画, 不废话, 少数学, 超精简, 好理解.

[有趣的机器学习]内容包括:

• 神经网络
  • 卷积神经网络 CNN
  • 循环神经网络 RNN
  • LSTM RNN
  • 自编码 Autoencoder
• 神经网络应用诀窍
  • 检验神经网络
  • 特征标准化 Normalization
  • 选择好特征
  • 激励函数 Activation Function
  • 过拟合 Overfitting
  • 神经网络优化器 Optimizer
  • 处理不均衡数据 Imbalanced data
  • 批标准化 Batch Normalization
  • L1/L2 正规化 Regularization
• 强化学习
  • 强化学习方法汇总
  • Q-Learning
  • Sarsa
  • Sarsa(lambda)
  • Deep Q Network (DQN)
  • Policy Gradients
  • Actor-Critic
  • Deep Deterministic Policy Gradient (DDPG)
  • Asynchronous Advantage Actor-Critic (A3C)
• ...(不断补充中)

Python 做神经网络

Python 做神经网络很简单, 谁要大公司都喜欢 Python 呢, 都已经开源了很多 Python 深度学习模块, 我们小市民就坐着分享他们的红利吧.

对于各种神经网络模块方面的介绍能在这里找到 [Python 神经网络模块]. 同样是:

不废话, 少数学, 超精简, 重实践, 好理解.

那么就看看 [Python 神经网络模块] 里的简单介绍, 挑一个你最想学的, 开始愉快的旅途吧.

• Tensorflow 教程
• PyTorch 教程
• Theano 教程
• Keras 教程 高级API

Python 整理数据

深度学习, 数据当头, 没数据就没法学, 所以你要会把玩你的数据. 这里的 [Python 数据模块] 包含了你需要懂的所有技能. 而且学会有效的整理数据, 也能让你的运算速度飞起来. 所有教程的核心又是这句话:

不废话, 少数学, 超精简, 重实践, 好理解.

会整理资料的人只能帮别人打工, 会把资料可视化出来的人, 更得先机. 所以我们不仅仅要会整理, 还要会可视化. 这就是 [Python 数据模块] 同时也涉及的方面:

• Numpy & Pandas 数据处理教程
• Matplotlib 数据可视化教程

Python 玩强化学习

想自己开飞机飞起来容易, 想让机器人自己学习飞起来, 这个... 也容易!! 有了这个 [强化学习教程] , 你不用手把手教机器人飞起来, 就给他段小代码, 让它自己飞吧. 抱歉, 这是最后一次了, 不过我还是要说, 这套教程, 真的真的:

不废话, 少数学, 超精简, 重实践, 好理解.

[强化学习教程] 里面涉及了近乎教科书般全面的内容, 包含了近乎所有的强化学习方法, 全部都用 Python 实践了.

• Q-Learning
• Sarsa
• Sarsa(lambda)
• Deep Q Network (DQN)
  • Double DQN
  • DQN with Prioritised Experience Replay
  • Dueling DQN
• Policy Gradients
  • Actor Critic
  • Deep Deterministic Policy Gradient
  • Asynchronous Advantage Actor-Critic (A3C)
  • Proximal Policy Optimization (PPO)
• Model-based RL (正在制作)
• ...(不断更新)

Python 学习所有代码

重要的话放在第一句: 喜欢直接上代码, 那么请直接去这个 Github, 里面有各种学习代码.

这个 Github 当中不仅仅有机器学习方面的代码, 而且还有很多 python 学习方面的代码, 随着教程的增多, 教程代码涉及的范围也会越多. 所有代码都能找到他们所属的 视频解说. 所有的内容都是开源的, 知识无国界.

支持的朋友们也希望你们能够为开源贡献一份力量, 这份力量不用很大, 仅仅是分享这些值得被学习的教程给更多想要学习的朋友们, 让他们不再烦恼要在海量的信息中挑选哪些学习材料了.