ML与DL学习路线

最近三个月因为疫情没回学校,也没再巩固数学建模的学习,六月开始重启计划,冲刺数模国赛国一!冲冲冲

最近三个月在学习ML和DL,罗列下学习资料(在b站都能找到):

1. 蚂蚁学pandas

目前应该是讲的最好的pandas教程。

2.Numpy

numpy比较简单,看哪个都可以。

3.菜菜的sklearn教程

讲的通俗易懂,白嫖的部分讲的也很好,主要教会你如何用。

4.李宏毅老师的ML和DL

老师很有趣,而且课程很热乎,部分课程是以前的,部分是2020年录制的,也属于通俗易懂。而且作业也是循序渐进。

5.keras+Tensorflow2.0尹成

主要教会你如何用,我觉得不错。

6.Pytorch最好的课程

人家名字就是这么起的,但是老师讲的的确很好。(内容偏nlp
###################################################

最硬核的内容

7.左神的算法课(左神牛逼)

左神就不用我说了,算法这一块拿捏得死死的。人帅,风趣,时常我会想自己的脑子为什么和人家不一样。
我只看了初级和进阶的部分,全程都是高能!

8.白板推导ML算法系列

这个应该是巨老,老师很顶,时常顶的我呼吸不畅。如果看不进去就及时退出来看看别的吧。。。

目前还在看白板推导系列,可能看完之后要开始从头复现ML算法代码了。

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习ML)和深度学习(DL)在底层逻辑上有一些相似之处,但也存在一些重要的区别。 首先,MLDL都属于人工智能(AI)的领域,它们都涉及使用算法来使计算机系统具有学习和预测能力。它们的目标都是通过从数据中学习模式和规律来使计算机能够进行预测和决策。 在底层逻辑上,MLDL都需要数据作为输入以进行训练。它们使用这些数据来建立数学模型,并使用优化算法来调整模型参数,以使模型能够更好地拟合数据。在训练过程中,它们都有一个损失函数来衡量模型的预测与实际结果之间的差异。 然而,DL相对于传统的ML有一些重要的区别。DL侧重于使用深层神经网络来学习数据中的复杂特征和模式。深层神经网络由多个神经元层组成,每一层都通过非线性的激活函数将输入转换为输出。这种多层次的结构使得DL能够处理更复杂的问题,例如图像和语音识别。 相比之下,传统的ML方法更多地依赖于特征工程,即手动提取和选择有用的特征来作为输入。传统的ML方法通常使用的是浅层模型(如线性回归、支持向量机等),这些模型在处理复杂问题时可能表现不佳。 总之,MLDL在底层逻辑上有一些共同之处,都使用数据进行训练和预测。然而,DL通过使用深层神经网络来处理更复杂的问题,相对于传统的ML方法更具有优势。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值