从机器学习到深度学习资料整理

从机器学习到深度学习资料整理

　　在过去的大半年中，博主一直在进行人工智能相关知识的自学。因为人工智能最近两年的火热，从网上可以找到很是多的资料，包括：MOOC、博客等，博主也花费了不少的时间从众多的资源中找到了一条“从入门到进阶”的学习之路。在此，博主根据本身的学习体验，将所用到的资料汇总在本片博文中。因为博主目前的研究对象主要是图像，所以在材料选择的过程当中会重点关注图像方面的知识，可是博主在下文中所推荐的资料中也涵盖了关于文本、语音处理的内容，读者能够根据本身的须要选择性阅读。

1、入门资料

　　（1）吴恩达《机器学习》（网易云课堂）

　　入门学习的首选，课程全面介绍了机器学习的基础知识，不多涉及到高深的理论或者证实，经过学习这个课程能够帮助初学者快速掌握机器学习的经典算法，而且得到对机器学习相关技术的全面认识。吴老师在授课的时候使用的是matlab（octave），而且课程还有相应的练习（可在网络上面找到）。所配套的练习经过指导编程实践一步步地教初学者完成课程中相关的算法，完成该练习可进一步加深学习者对机器学习基础知识的认识。博主感受该课程很是适合做为初学者的首选课程。

　　（2）斯坦福大学 CS231 Convolutional Neural Networks for Visual Recognition 课程

　　由斯坦福大学李飞飞课题组开设的关于深度学习（主要是图像方面）的课程。尽管该课程最终的目的主要是介绍卷积神经网络的，可是在课程内容的前大半会详细地介绍而且解读一些机器学习的基础内容，例如：cross-entropy loss， stochastic gradient descent，backpropagation和各类响应函数等，这些内容是对吴恩达老师教学内容的巨大补充，须要仔细阅读而且掌握。其中，博主尤为认为好好研究一下梯度降低法，领会该算法的运算过程是十分重要的，博主的这一篇博客或许可以对读者有些许帮助。该课程的视频内容好像能够在B站上面找到，并且也随课程配套了相应的编程练习（以python为编程语言）。

　　（2）吴恩达《卷积神经网络》（网易云课堂）

　　对于须要从事图像相关算法研究的读者，确定没法绕开卷积神经网络。吴恩达老师在网易云课堂的微专业中提供了一个专门针对卷积神经网络的课程。该课程和《机器学习》课程的讲授风格十分相似，很是适合对卷积神经网络没有太多背景知识的读者学习。另外，上述第二个课程的后半部分也有专门针对卷积神经网络的内容，能够搭配本课程的内容一块儿学习。

2、实践资料

　　通过对上述内容的学习以后，我相信读者对深度学习的基础内容就有了一个初步的掌握，接下来就能够经过一些自主的编程实践来内化所学到的知识，使得它们成为本身的傍身技能。接下来博主就介绍两部分别针Tensorflow和Keras应用的书籍。

　　（1）Learning Tensorflow: A Guide to Building Deep Learning System(by Tom Hope, Yehezkel S.Resheff & Itay Lieder)

　　Tensorflow是目前最广为应用的深度学习框架，大量的深度学习算法都应用到了该框架，也所以是从事相关工做人员所必须掌握的框架之一。博主所推荐的这本书好像是谷歌公司的研发人员所编著的，书中的内容主要介绍了Tensorflow框架的安装，基本组成及如何在不一样的深度学习任务中应用该框架。对每一部分的内容，书中配备了很详细的代码供读者参考，很是利于学习者的实践操做，并且本书中还对一些模型的基础知识进行了回顾，这些内容可以很好地帮助学习者将基础概念与实践操做结合起来。

　　（2）Deep Learning with Python(by Francois Chollet)

　　这本书所介绍的框架是Keras，这是一个创建在Tensorflow上的高级深度学习库（目前已是Tensorflow官方的高级接口），相较于Tensorflow，应用该框架建模更为简洁、直观，并且提供了丰富的函数供研发人员使用。博主所推荐的这本书是Keras库的初版的做者所写的，书中的内容涵盖了从机器学习到深度学习应用的所有内容，而且提供了大量的代码示例，这本书在博主看来既是一本全面回顾机器学习到深度学习发展脉络和基础知识的教材，也是一本应用Keras库的参考指南。

3、理论进阶

　　相较于上述所推荐的内容"知其然，而不知其因此然“的特色，这一部分所推荐的资料会聚焦于机器学习和深度学习更为理论化的一面，博主主要推荐的两本材料为：《统计学习方法》和线上图书《Deep Learning》

　　（1）《统计学习方法》 李航著

　　李航老师的这本书关注的是机器学习的理论剖析，对机器学习的基本元素、常见算法，进行了数学上的定义、分析和推演，经过对这些内容的学习，我以为会让读者对这些算法有更为深入的认识。从博主本身目前阅读体验来看，感受颇有难度，须要较为扎实的数学功底才可以明白老师在书中所讲解的内容。

　　（2）《Deep Learning》（by Ian Goodfellow and Yoshua Bengio and Aaron Courville）

　　这是一本线上的图书，兼顾深度学习内容的广度和深度，涵盖了十分丰富的学习内容。其中第一部分归纳性地讲解了学习者所必备的基础知识，包括：线性代数、几率论与信息论等，读者能够根据这部份内容的指引查漏补缺。第二部分则介绍了目前已经很是成熟的深度学习技术，包括：神经网络、卷积神经网络、序列信号处理等。第三部分则介绍了目前还处于积极研究的深度学习领域，包括特征学习等等。书中的不少内容都有很是详细的理论探讨和数学推导，博主感受是一本很是难啃的书。

　　最后，博主给你们提供两个网站连接：连接1和连接2，你们能够在其中找到很是丰富的免费学习资料。最后祝你们学习愉快，早日成为领域大牛！

##本文为博主原创内容，转摘请注明出处。