深度学习,你们都看哪些社区论坛?

时间 2020-12-29

标签 git github 算法编程微信网络 app 框架 less 机器学习栏目快乐工作繁體版

原文原文链接

对代码、编程感兴趣的能够加我公众号<老K玩代码>，和我交流!

“
学习Python，有一半的小伙伴是冲着深度学习来的。
自学虽好，但仍是须要有人指点。
那有没有什么研究深度学习的朋友比较会汇集的网络社区或平台工具呢？
实际上是有的，想了解的话，就点击上方老K玩代码，关注我吧~！git

老K查看了知乎上网友关于这个问题的推荐，并整理成文，推荐到您面前！
下面开始正文~！

1. Quora 推荐：4.5/5.0星★★★★☆

https://www.quora.com/github

如下是关于“Quora”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

算法

“

Reddit和Quora更偏向资讯交互，解决具体技术问题的讨论较少，偏方法论。后三个偏向解决具体问题，不少很是具体。Quora和stackexchange上不乏有大佬出没。

以中文为主体的机器学习论坛彷佛没有特别出名的。据我观察，现阶段水平比较高的居然是...知乎（机器学习，深度学习（Deep Learning），很像是Reddit、Quora和StackOverlow的结合体。CSDN上也不乏有些不错的文章，但彷佛更新的频率不高，文章偏老。

至于问答社区，stackOverflow上面数据科学应该不会越俎代庖成为主体，exchange活跃度一直比较通常吧，至于Quora，跟知乎比起来流量差别仍是蛮大的。

2. Reddit 推荐：4.5/5.0星★★★★☆

https://www.reddit.com/编程

如下是关于“Reddit”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

微信

“
Reddit和Quora更偏向资讯交互，解决具体技术问题的讨论较少，偏方法论。后三个偏向解决具体问题，不少很是具体。Quora和stackexchange上不乏有大佬出没。网络

以中文为主体的机器学习论坛彷佛没有特别出名的。据我观察，现阶段水平比较高的居然是...知乎（机器学习，深度学习（Deep Learning），很像是Reddit、Quora和StackOverlow的结合体。CSDN上也不乏有些不错的文章，但彷佛更新的频率不高，文章偏老。

若是是出于为一些比较专门化，细节化的问题发帖，而后获得迅速答复的一个forum的形式，其实贴吧更为符合，百度贴吧那两年卖吧之后如今好像蛮凉了，Reddit可能就更像是一般想象中的那样。

3. BigML 推荐：4.5/5.0星★★★★☆

https://bigml.com/app

如下是关于“BigML”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

框架

“
BigML平台旨在帮助客户建立，快速实验，全面自动化并管理机器学习工做流程。BigML提供了很好的可视化功能，并具有求解分类、回归、聚类、异常检测等算法。该产品能够按照月、季度和年度进行订阅，同时也提供免费版本（免费版本的数据集限制为16 MB）。less

BigML的平台，私用部署和丰富的工具集将继续帮助咱们的客户建立，快速实验，全面自动化并管理机器学习工做流程，以提供同类中最佳的智能应用程序。基于图形用户界面，BigML提供了如下功能：

4. DataRobot 推荐：4.5/5.0星★★★★☆

https://www.datarobot.com/
如下是关于“DataRobot”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

机器学习

“
DataRobot（DR）是一款高度自动化的机器学习平台，由全球最好的Kagglers建立，包括Jeremy Achin，Thoman DeGodoy和Owen Zhang。在DR官网上咱们能够看到这样一句话，“数据科学须要数学、统计学、编程技能和商业认知。借助DataRobot，你能够轻松得到数据和业务看法，其他部分由咱们负责。”

5. fast.ai 推荐：4.0/5.0星★★★★

https://www.fast.ai/

如下是关于“fast.ai”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
http://forums.fast.ai fast.ai的论坛，天天仍然有许多人在上面讨论课程或者课程之外的技术问题。

6. mathexchange 推荐：4.0/5.0星★★★★

https://math.stackexchange.com/如下是关于“mathexchange”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
前面的回答基本上都涵盖了比较好的去处了吧。就我的而言，英文主要是reddit的ml板块，推特上关注的一些行业大牛，或者hashtag（好比nlp就是#NLProc），quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建本身的timeline

7. Driverless AI 推荐：4.0/5.0星★★★★

www.h2o.ai/driverless-ai/

如下是关于“Driverless AI”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
Driverless AI是由开源机器学习平台h2o.ai推出的最新产品，这一工具能够帮助非技术人员准备数据，审校参数，肯定最优算法，进而用机器学习来解决专门的企业问题。该产品旨在下降数据科学在企业环境下运行的门槛。

这些是Driverless AI的一些使人振奋的功能：

8. hashtag 推荐：4.0/5.0星★★★★

如下是关于“hashtag”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
前面的回答基本上都涵盖了比较好的去处了吧。就我的而言，英文主要是reddit的ml板块，推特上关注的一些行业大牛，或者hashtag（好比nlp就是#NLProc），quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建本身的timeline

9. stack exchange 推荐：4.0/5.0星★★★★

https://stackexchange.com/

如下是关于“stack exchange”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
stack exchange统计版（Cross Validated ），更可能是统计相关

10. paperweekly 推荐：4.0/5.0星★★★★

https://www.paperweekly.site/

如下是关于“paperweekly”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
https://www.paperweekly.site/ paperweekly，推荐论文的专业论坛，上面有许多用户推荐的论文。

如今通常的微信群和qq群都讨论对理解深刻貌似没多大做用，感受更多的是传递名词功能，我的感受真正的技术方面的能够看看某些博士们写的博客，大部分不会存在误导，写的内容也值得推敲，这个要本身根据方向去找。有个paperweekly上面会有不少好的论文推荐，部分论文有代码供复现，你能够去了解一下。

11. mxnet 推荐：4.0/5.0星★★★★

https://discuss.gluon.ai/

如下是关于“mxnet”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
mxnet深度学习框架，有配套的视频，论坛，学习文档，简直应有尽有。论坛里面有大佬们组织的kaggle经典训练集的比赛，不少牛X的小伙伴论坛里讨论方法，每次都有人拿下相关竞赛前几名。

12. medium 推荐：4.0/5.0星★★★★

https://medium.com/

如下是关于“medium”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
medium：不少人代码在github，教程在medium。

13. github 推荐：4.0/5.0星★★★★

https://github.com/

如下是关于“github”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
固然还有github，github是讨论技术问题的最好地方，但问题在于假如你关注的一个技术问题并无任何的repo，或者star的人不多，天然就没什么人讨论。

medium：不少人代码在github，教程在medium。

14. IBM Watson Studio 推荐：4.0/5.0星★★★★

https://www.ibm.com/cloud/watson-studio

如下是关于“IBM Watson Studio”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
如何从这个清单中排除IBM？这个世界上最知名的IT品牌之一。IBM Watson Studio为构建和部署机器学习和深度学习模型提供了一个出色的平台。借助Watson Studio，你能够轻松完成数据准备工做、使用RStudio等熟悉的开源工具、访问最流行的库、训练深度神经网络等。对于机器学习的入门者来讲，IBM提供了一系列的教程视频帮助你入门Watson Studio。

15. stackoverflow 推荐：4.0/5.0星★★★★

https://stackoverflow.com/

如下是关于“stackoverflow”的几个比较有表明性的评论：摘自网友在知乎相关问题下的回答:

“
就我的而言，英文主要是reddit的ml板块，推特上关注的一些行业大牛，或者hashtag（好比nlp就是#NLProc），quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建本身的timeline

更多有趣代码信息，关注公众号<老K玩代码>，或加我微信kevinchaos找我玩
若是你以为这个帖子对你有帮助的话，请您顺手点击一下赞同或在看哦~！