机器学习、深度学习、人工智能已经在各个领域大放光彩，也有越来越多的小伙伴们开始学习深度学习，但是如何入门开始呢？这是个世纪性的难题。
别担心，这里小编为大家整理了一份学习清淡哦，要是能够认真学完，一定是一位高手啦。快来一起看看吧。
基础知识
1
数学
机器学习是集合了统计学、概率论、计算机科学、数学算法多等方面交叉研究，即便你对机器学习的应用炉火纯青，但对这些技术没有一个全面的数学理解，极有可能出现应用失误。但数学也是学不完的，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，。这里整理了一个简易的数学入门文章：
视频：
基础较差的，可以看b站视频：比如麦子学院，深度学习基础课程，课程讲解时间相对较长
https://www.bilibili.com/video/av23810777?from=search&seid=10152892359202761032
基础较好的推荐看AI MOOC上的视频，相对较短，巩固一下
http://www.ai-xlab.com/course/explore/sxjc
文字：
这里首先推荐黄海广博士总结的知乎专栏笔记，因为这相比于看书还是会节约不少时间的。
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
2
编程
入门人工智能领域，首推Python这门编程语言。
1) Python安装：
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，里面提供了800个常用的库，可以满足大家的日常使用。
下载地址：
https://www.anaconda.com/download/
推荐选Anaconda (python 3.7版本)
安装教程：
Anaconda+Jupyter notebook+Pycharm：
https://zhuanlan.zhihu.com/p/59027692
使用建议：计算的话建议spyder+jupyter，做开发的建议pycharm
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
视频：
(a)小甲鱼的Python视频
这个版本的视频相对较老，但是讲解的十分清楚，建议观看前30个视频，对于基础的掌握很有帮助。
https://www.bilibili.com/video/av4050443?from=search&seid=5693878467183406748
(b)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
(c)AI-MOOC
里面分块讲解，每个视频较短，很适合碎片化学习。
http://www.ai-xlab.com/course/explore/py
如果看完了以上的视频，Python应该有了一定的数据处理能力，对Numpy、Pandas和Matplotlib一个掌握的较好了，这个时候可以开始进一步学习了。
文本：
如果觉得看视频很浪费时间，可以选择看文本笔记。
(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)查询的文本
当对Python的语句基本了解，需要进行特定的查询的时候，这个时候可以参考这个网站：
https://www.runoob.com/python/python-tutorial.html
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
深度学习
在学完了基础之后，这个时候大家就可以开始学习入门的深度学习，已经自己手动编写或者调整一些代码了，对于深度学习，强烈推荐大家学习吴恩达的课程。这真的是一位特别特别厉害的大牛，感兴趣的同学可以去百度搜搜看。
a) 吴恩达《Deep Learning》
首推的课程，比较适合非计算机专业的初学者。若是计算机专业的大佬，请跳过。这门课是在吴恩达开设了机器学习课程之后，发布的《Deep Learning》课程也备受好评，吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你，是入门学习不可多得良好视频资料。
由 deeplearning.ai 出品，网易引进的正版授权中文版深度学习工程师微专业课程，让你在了解丰富的人工智能应用案例的同时，学会在实践中搭建出最先进的神经网络模型，训练出属于你自己的 AI。
整个专题共包括五门课程：01.神经网络和深度学习；02.改善深层神经网络-超参数调试、正则化以及优化；03.结构化机器学习项目；04.卷积神经网络；05.序列模型。整个课程还是很多的，可能的需要1-2个月的时间。
课程视频
网易云课堂：
https://mooc.study.163.com/university/deeplearning_ai#/c
Coursera:
https://www.coursera.org/specializations/deep-learning
课程笔记
之前编写过吴恩达老师机器学习个人笔记黄海广博士带领团队整理了中文笔记：
https://github.com/fengdu78/deeplearning_ai_books
也可以参考Hugsy在博客上分享的笔记，相比于黄海广博士的笔记，这份笔记比较简短，和课程是配套的。
http://binweber.top/2017/09/12/deep_learning_1/#%E4%BA%8C%E5%88%86%E7%B1%BB
参考论文
吴恩达老师在课程中提到了很多优秀论文，黄海广博士整理如下：
https://github.com/fengdu78/deeplearning_ai_books/tree/master/%E5%8F%82%E8%80%83%E8%AE%BA%E6%96%87
课程PPT及课后作业
吴恩达深度学习课程，包含课程的课件、课后作业和一些其他资料，里面有不少测试的代码。
https://github.com/stormstone/deeplearning.ai
b)《深度学习》书籍
学完上面的视频课程之后，收获应该很大了，这个时候可以备份一些书籍，方便必要的时候进行查询。推荐《深度学习》这本书，这是深度学习领域最经典的畅销书。由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。该书被大众尊称为“AI圣经”。
https://github.com/exacity/deeplearningbook-chinese
c) 工具的使用
现在主流的几种工具平台分别是Tensorflow，keras和pytorch，pytorch作为后起之秀，目前越来越火爆，如果大家没有接触过这些，可以考虑从pytorch开始入手哦。
TensorFlow 官方文档
官方文档：
https://www.tensorflow.org/api_docs/python/tf
中文文档：
https://github.com/jikexueyuanwiki/tensorflow-zh
keras官方文档
keras是学深度学习的另一个主流框架
官方文档：
https://keras.io/
中文文档(版本0.3)：
https://keras-cn-docs.readthedocs.io/zh_CN/latest/PyTorch官方文档
PyTorch是学深度学习的另一个主流框架
官方文档：
https://pytorch.org/docs/stable/index.html
中文文档(版本0.3)：
https://github.com/apachecn/pytorch-doc-zh强化学习
公开课
Reinforcement Learning-David Silver
与吴恩达的课程类似，David Silver的这门课程绝对是大多数人学习强化学习必选的课程。十分的通俗易懂，极其详细，建议大家先听完了吴恩达的课程之后再来听这门课程
视频地址
B站地址(中文字幕)：
https://www.bilibili.com/video/av45357759?from=search&seid=9547815852611563503
课程资料
课程PPT：
http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
课程笔记：
https://www.zhihu.com/people/qqiang00/posts
感谢AI技术平台以及领域专家：ApacheCN，Datawhale，AI有道和黄海广博士的贡献，本文整理的资料有部分参考。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
