网络上深度学习、机器学习的在线课程是否值得学习?

[Copy link]
see4137 | reply17 | 2022-1-4 15:16:11 | 显示全部楼层 |Reading mode
感谢@Venn的补充
年三十简单写了一下,没想到过百赞了,太粗糙了重新组织和修改一下。
————————————————————
首先不建议购买国内的那些培训班的课程,质量堪忧。还有题主应该是初学者,所以建议题主还是先入个门感受一下机器学习,不是说听说这个现在很火跟风去学,机器学习是一门数学和计算机交叉的学科,想要深入的话理论和工程要求都很高,只是简简单单的调用API是不能触摸到其本质成为优秀的算法工程师。计算机科学有这么多领域,不一定死磕机器学习,在任何一个方向深耕十几年的话定会成为大牛。
入门的话建议看Coursera上吴恩达教授的《机器学习》课程,真真切切的感受一下机器学习,请自己把作业认真做完,收获定会很多。
如果上完上面这门课程,确实喜欢并且想深入学习,可以看看吴教授最新出的《Deep Learning》,刷完我想你对现在最火的深度学习有所了解。
接下来我不建议刷课了,而是去Kaggle上刷比赛,将自己所学运用到实际的问题中,题主在参加比赛中可能需要学习TensorFlow,建议看斯坦福大学CS20si.
代码实战学习可以观看FastAI的《Practical Deep Learning for Coders》,通过浅显易懂的课程将Pytorch的实战和应用细节展示给学习者。同时课程的作者把研究成果集成进fastai库里,让普通用户能很方便地取得接近state of the art的成绩。
个人认为一名优秀的工程师最重要的是解决实际的问题而不是陷于低质量重复性地刷课中。如果在比赛中发现自己基础不扎实,可以通过《Pattern Recognition and Machine Learning》和 《Deep Learning》(最近新出的一本叫做《Neural Network Methods for Natural Language Processing》也是极好,在学习中。。。)查漏补缺,慢慢前行,不断地实践不断地夯实基础。机器学习正处于第三次大爆发时期,有许多学界的研究者在贡献自己的力量,题主基础扎实以后,可以紧跟学界的论文,将最新的研究成果应用到实际的问题中。
再附上一些知名的课程,如果题主有时间和兴趣可以继续学习:
斯坦福大学CS231n,中文翻译: 斯坦福深度学习课程CS231N 2017中文字幕版
斯坦福大学CS224n,  B站视频地址: 斯坦福2017seasonCS224n深度学习自然语言处理课程
斯坦福大学CS234: Reinforcement Learning
台湾大学林轩田教授 《机器学习基石上》, 《机器学习基石下》,《机器学习技法》(技法C站还没出,等出了再补充)
台湾大学《Applied Deep Learning/Machine Learning and Having It Deep and Structured》
CMU  11-785 Deep Learning 视频; https://www.youtube.com/channel/UC8hYZGEkI2dDO8scT8C5UQA

切记一定要自己动手实现课程的作业以及参加Kaggle的比赛,纸上得来终觉浅,绝知此事要躬行。请不要陷入刷课的泥潭中,不忘记学习机器学习的初心,方能始终。

————————————————————
supplement
Amazon 李沐大神出的《动手学深度学习》 ,一门零基础,着重动手实践的深度学习免费中文课程,同时课程的所用教材中文版已出版。
数学基础不够或者忘完的小伙伴们有福了,可以学习C站出品的《Mathematics for Machine Learning 》课程。
Berkeley出品的《Deep Reinforcement Learning》,
Berkeley的《Deep Unsupervised Learning》,B站视频地址:深度无监督学习
CMUOfProbabilistic Graphical Models,B站视频地址:概率图模型
C站出品的《高级机器学习 专项课程》
Yandex出品的《Natural Language Processing》,PyTorch版的《Deep earning》以及《Reinforcement Learning》
C站出品的机器学习应用类课程《Guided Tour of Machine Learning in Finance》和《Self-Driving Cars》
C站出品的强化学习课程《强化学习 专项课程》和计算机视觉课程《计算机视觉 专项课程》

推荐几本个人认为较好中文机器学习书籍,可以用来平时查漏补缺或者当做工具书。
第一本:李航老师的《统计学习方法》,说实在的我也是通过这本书入门机器学习领域,值得反复读。书中的算法也都是最经典的和企业最常用的算法,可以对照书中的公式自己实现一遍算法的推导。其实这本书也是一个引子,将你引入更广阔的机器学习世界。
第二本:周志华老师的《机器学习》,周老师是我最钦佩的国内搞机器学习研究的老师。关于这本书正如周老师所说:“应该有一本国内本科生适合看的中文机器学习书籍”。此书最精彩的部分,就是每一章的“阅读材料”一节,直接按图索骥,可以探索这个领域更多的知识。

第三本:前两本书都是理论书籍,俗话说:“理论和实际要相结合”。可以按照书中的代码自己动手实践一番,将机器学习算法真正用到实际应用中。
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
嘟嘟嘟2017 | 2022-1-4 15:16:31 | 显示全部楼层
感谢@Venn的补充
年三十简单写了一下,没想到过百赞了,太粗糙了重新组织和修改一下。
————————————————————
首先不建议购买国内的那些培训班的课程,质量堪忧。还有题主应该是初学者,所以建议题主还是先入个门感受一下机器学习,不是说听说这个现在很火跟风去学,机器学习是一门数学和计算机交叉的学科,想要深入的话理论和工程要求都很高,只是简简单单的调用API是不能触摸到其本质成为优秀的算法工程师。计算机科学有这么多领域,不一定死磕机器学习,在任何一个方向深耕十几年的话定会成为大牛。
入门的话建议看Coursera上吴恩达教授的《机器学习》课程,真真切切的感受一下机器学习,请自己把作业认真做完,收获定会很多。
如果上完上面这门课程,确实喜欢并且想深入学习,可以看看吴教授最新出的《Deep Learning》,刷完我想你对现在最火的深度学习有所了解。
接下来我不建议刷课了,而是去Kaggle上刷比赛,将自己所学运用到实际的问题中,题主在参加比赛中可能需要学习TensorFlow,建议看斯坦福大学CS20si.
代码实战学习可以观看FastAI的《Practical Deep Learning for Coders》,通过浅显易懂的课程将Pytorch的实战和应用细节展示给学习者。同时课程的作者把研究成果集成进fastai库里,让普通用户能很方便地取得接近state of the art的成绩。
个人认为一名优秀的工程师最重要的是解决实际的问题而不是陷于低质量重复性地刷课中。如果在比赛中发现自己基础不扎实,可以通过《Pattern Recognition and Machine Learning》和 《Deep Learning》(最近新出的一本叫做《Neural Network Methods for Natural Language Processing》也是极好,在学习中。。。)查漏补缺,慢慢前行,不断地实践不断地夯实基础。机器学习正处于第三次大爆发时期,有许多学界的研究者在贡献自己的力量,题主基础扎实以后,可以紧跟学界的论文,将最新的研究成果应用到实际的问题中。
再附上一些知名的课程,如果题主有时间和兴趣可以继续学习:
斯坦福大学CS231n,中文翻译: 斯坦福深度学习课程CS231N 2017中文字幕版
斯坦福大学CS224n,  B站视频地址: 斯坦福2017seasonCS224n深度学习自然语言处理课程
斯坦福大学CS234: Reinforcement Learning
台湾大学林轩田教授 《机器学习基石上》, 《机器学习基石下》,《机器学习技法》(技法C站还没出,等出了再补充)
台湾大学《Applied Deep Learning/Machine Learning and Having It Deep and Structured》
CMU  11-785 Deep Learning 视频; https://www.youtube.com/channel/UC8hYZGEkI2dDO8scT8C5UQA

切记一定要自己动手实现课程的作业以及参加Kaggle的比赛,纸上得来终觉浅,绝知此事要躬行。请不要陷入刷课的泥潭中,不忘记学习机器学习的初心,方能始终。

————————————————————
supplement
Amazon 李沐大神出的《动手学深度学习》 ,一门零基础,着重动手实践的深度学习免费中文课程,同时课程的所用教材中文版已出版。
数学基础不够或者忘完的小伙伴们有福了,可以学习C站出品的《Mathematics for Machine Learning 》课程。
Berkeley出品的《Deep Reinforcement Learning》,
Berkeley的《Deep Unsupervised Learning》,B站视频地址:深度无监督学习
CMUOfProbabilistic Graphical Models,B站视频地址:概率图模型
C站出品的《高级机器学习 专项课程》
Yandex出品的《Natural Language Processing》,PyTorch版的《Deep earning》以及《Reinforcement Learning》
C站出品的机器学习应用类课程《Guided Tour of Machine Learning in Finance》和《Self-Driving Cars》
C站出品的强化学习课程《强化学习 专项课程》和计算机视觉课程《计算机视觉 专项课程》

推荐几本个人认为较好中文机器学习书籍,可以用来平时查漏补缺或者当做工具书。
第一本:李航老师的《统计学习方法》,说实在的我也是通过这本书入门机器学习领域,值得反复读。书中的算法也都是最经典的和企业最常用的算法,可以对照书中的公式自己实现一遍算法的推导。其实这本书也是一个引子,将你引入更广阔的机器学习世界。
第二本:周志华老师的《机器学习》,周老师是我最钦佩的国内搞机器学习研究的老师。关于这本书正如周老师所说:“应该有一本国内本科生适合看的中文机器学习书籍”。此书最精彩的部分,就是每一章的“阅读材料”一节,直接按图索骥,可以探索这个领域更多的知识。
<a data-draft-node="block" data-draft-type="mcn-link-card" data-mcn-id="1213548731003564032">
第三本:前两本书都是理论书籍,俗话说:“理论和实际要相结合”。可以按照书中的代码自己动手实践一番,将机器学习算法真正用到实际应用中。
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
白七叛 | 2022-1-4 15:16:43 | 显示全部楼层
分三部分回答你,深度学习,机器学习和python
深度学习建议可以去网易云课堂上看免费的CS231n和吴恩达的深度学习视频,这两个看完了,并且也跟着写了一些代码,那就可以继续深入干很多事了。
同时建议阅读这本书:Neural networks and deep learning
链接是英文的,但网上可以找到中文翻译的pdf文件,这本书作为入门神经网络真是太好了。
接下来去找最近的基本关于tensorflow或者pytorch等等框架的书,把市面上有的书都看一遍,理解的不够就再看一遍,市面上一共就没几本关于这些的书,而且认真看完一本,再看其他的其实很快。
到这,理论上来说实际去做点小项目应该没啥问题了。
但最好再去补充一波论文的阅读,一些经典的论文,比如一些经典的网络(VGG,googlenet,resnet等),seq2seq,attention等等,这些都是很经典的东西。
接着刚开始做项目肯定还是不知道怎么入手,可以找个课题(比如目标识别,比如ocr,比如神经翻译,比如文本生成),在tensorflowOfmodel zoo里找找看有没有对应的代码,比如object detection的代码,或者github上找其他人写的非官方的也可以,首先跑通它的例子,然后看看它的输入数据是怎么组织的,把数据换成你自己的数据再跑看看有没有效果。
跑例子的同时也应该去找这个例子对应的论文好好读读,别人的代码也可以读读。
然后就可以自己去写网络结构做点实际的项目了。
整个过程,最好定期读一些经典的论文,找准一个方向深入进去,是图像还是nlp根据自己的兴趣来,强化学习也不错,不过需要更多的理论基础。
机器学习的话,视频可以看吴恩达在斯坦福大学的那个视频CS229,在网易公开课上有(注意不是网易云课堂),那个教学视频偏算法原理,可以结合着看李航那本《统计学习方法》,这两本都比较偏算法原理,还有两本被称为神书的,《PRML》,《ESL》,这两本不着急看,以后工作中再慢慢看,或者如果干深度学习的话,这两本书是否有看的必要还有待商榷。
还有一本《机器学习实战》,就下面这个,也比较浅显易懂,建议也看看,写了一些简单的算法实现。


下面这本我个人觉得也不错,《实用机器学习》,没有说很多算法,但说了很多怎么开始动手干机器学习:


接下来可以去kaggle或者天池上做比赛和别人交流,你会得到很多的。
整个过程除了这些书,视频之外随时都会要补充知识,就百度相对应的知识点,总能找到的,很多博客啊,文章啊等等。
当然了,也可以多读基本市面上的书,其实认真读完一两本之后,其他书看的都会很快。
我个人建议无论是深度学习还是机器学习还是要多实战,在真实的数据中去学习,真正做项目,机器学习项目数据分析和特征应该占用了你大部分时间,深度学习对数据的处理也要花很大心思。
最后说说python,首先肯定要熟悉python基本语法,然后如果仅仅是从数据角度来说,numpy,pandas,sklearn这些包是肯定要去用用的,深度学习有tensorflow,pytorch等等。
这些工具包,也有很多书和教程,官方文档也不错,边学边用。

There are more resources in this post

What do you need Sign in Can I download or view it without an account?Join now Scan and login on wechat

x
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
燎原212 | 2022-1-4 15:17:21 | 显示全部楼层
网上免费资源很多,其实我们缺的是一颗踏实的心,静下心来选择一门比较好的课程来学习很重要,最后附上之前总结的国外深度学习/机器学习课程集锦,希望对你有帮助:
小白将:资源|机器学习/深度学习线上开放课程集锦
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899

本书介绍

    本书通过提供实用的建议,简单易懂的示例以及对相关算法进行有趣的讨论,以一种易于理解的方式介绍了基本的机器学习相关的算法、模型。主要主题包括贝叶斯分类器,最近邻分类器,线性和多项式分类器,决策树,神经网络和支持向量机等机器学习常用模型。后面的章节主要讲解如何通过“增强”的方式来组合这些简单的模型,如何在更复杂的领域中利用它们,以及如何处理各种高级实践问题。有一章专门介绍流行的遗传算法。

    本书最新pdf免费下载地址: 免费好书-《机器学习入门-第二版》最新pdfshare

    该修订版包含有关机器学习在工业中的实际应用的关键主题的三个全新章节。本章探讨了多标签领域,无监督学习及其在深度学习中的使用,以及归纳法和Inductive Logic Programming方法。扩展了许多章节,并增加丰富了相关的展示材料。本书包含许多新练习,许多已解决的例子,发人深省的实验,以及用于计算机联系的独立作业等。

本书目录









正文截图











本书最新pdf下载地址: 免费好书-《机器学习入门-第二版》最新pdfshare

往期精品内容推荐

自然语言处理中数据增强(Data Augmentation)技术最全盘点

神经网络视频/图像渲染相关经典论文、项目、数据集等资源整理分享

《Torch实战教程》免费课程视频及pptshare

2020年免费新书-《自然语言处理中词向量表示算法概述》分享

MIT新课-《深度学习入门 2020春》视频及pptshare

最新免费书推荐-《因果推理算法概述》pdf免费下载

机器学习必看经典教材-《统计机器学习(数据挖掘、推理和预测)核心元素》最新版免费分享

Yoshua Bengio-元学习纠解因果变量与世界运作

11月新书-《强化学习:算法与理论》分享

NLP、CV、语音相关AI算法工程师面试问题、代码、简历模板、知识点等资源整理分享

There are more resources in this post

What do you need Sign in Can I download or view it without an account?Join now Scan and login on wechat

x
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
卖荣求友篮 | 2022-1-4 15:18:14 | 显示全部楼层
不值得买!!!
因为质量贼差!!某些培训班只会渲染焦虑,照本宣科,照着PPT读论文。
其实我是支持知识付费的,前提是你的课程质量贼高,还能在大家的承受范围内。
但是网上是有很多质量贼高的免费课程的,让你入门是一点问题都没有的,如果说进阶,可能还差点意思。
其实对于初学者来说,最大的问题是,和你描述一样,书籍,课程,资料太多,不知道选哪一个,先看哪个,哪些不用看。
我在初学的时候也是有着同样的问题,所以我用八千字,总结了一份超详细的保姆级深度学习从零入门路线图,保你三个月从零入门深度学习,分享给大家;
我把这个路线图范围六个部分:

  • 基础知识;
  • 机器学习理论入门;
  • 机器学习竞赛实战;
  • 深度学习理论入门;
  • 深度学习竞赛实战;
  • 深度学习面试题汇总;
整个路线图的思维导图如下,我把对应的视频和github链接全部放在了思维导图备注里面;
也可以搭配着视频观看:
三个月从零入门深度学习,保姆级学习路线图_哔哩哔哩_bilibili获取思维导图的方式大家可以看这里:
深度学习从零入门,超详细路线图


针对这六个部分,我们一个个的来看:
1.基础知识学习

首先,我们来看基础知识部分;
你需要掌握两个方面;第一个是数学,第二个是Python面向对象编程的基础;
首先对于数学来讲,我想很多搜索入门路线图的朋友,都会被推荐很多数学方面的大部头的书籍和视频和科目,比如说:微积分、线性代数、概率论、复变函数、数值计算等等;
我觉得如果当前的任务是入门,而不是做一些开创性的研究,这些并不全是没有必要;
从的建议来说,首先掌握线性代数里面的:向量、矩阵、运算、范数、特征向量和特征值;
我这里推荐一个中文视频,【两个小时快速复习线性代数】;链接看我思维导图思维导图的对应位置;
在复习的时候,不需要你完全记住,但是需要你用笔记画一个大致脉络图出来,把各个细节写上去,在以后需要用到的这个时候,像查字典一样能够查到就可以;
其次对于高数来说,需要掌握的主要就是4个:导数,梯度,泰勒公式,和概率论;概率论快速的过一遍就可以,了解一些基本概念,比如说条件概率,最大似然估计等等,我这里推荐一个视频,【1个小时快速复习概率论】;链接看我思维导图思维导图的对应位置;
有了这些数据基础,对于入门深度学习就够了;之后,如果遇到不懂的,在这个之外,我们再去学来得及;
第二个基础知识是Python;
Python是一种编程语言,是我们后面机器学习和深度学习中数据处理,实现模型的主力语言;
aboutPython而言,不需要你很精通,只需要有一定的Python 面向对象编程的的基础就可以;
在这里,理论方面,我推荐廖雪峰的Python课程,这个课程没有必要都看,地址在思维导图备注
这个视频里面的目录,并不是都去学习,我们只需要从第一个简介开始,学习到常用的第三方模块;之后,有了一定的Python基础,就可以不用学习了;
之后需要提升的你的实战能力,我给你大家推荐一本书,学起来也很快,叫做【用Python做数据分析】;
这本书的中文翻译版链接在这里:见思维导图备注
这本书,不用全都看,看重点章节就可以;当然全看了,也很快,因为这本书本身学习起来就很简单;
我为什么推荐这本书呢?首先第一点,这本书确实看起来很简单,入门门槛极低,第二,这本书的内容,在我们往后的机器学习和深度学习关系很密切,因为我们在构建模型之前,需要很多操作去处理数据,用到这本书介绍的这两个api包;
看完廖雪峰的教程和这本书,你会掌握两个东西,一个python基础知识,一个是究竟怎么用Python实战去处理数据;
2.机器学习理论入门

第二个部分,我来重点介绍机器学习理论入门路线图;
对于机器学习理论算法,我推荐一本书籍和一个博客和一个Python包
书籍是:李航的统计学习,主要,不是全都看,我一会会告诉你看哪几个章节;
博客是刘建平老师的博客,Python包是sklearn;
我们先来看这个统计学习,我谈三个准则:
三个准则是:
第一,作为入门选手,不要每章都去看;
第二,不要用python从零去造轮子去实现这本书里面的算法,千万不要这样做,太浪费时间;
第三个,对于重点章节算法必须能做到手推公式,重点算法其实不多,一会说;
这本书一共是分为了11章,你只需要去看其中的六章内容,分别是:1,2,4,5,6,8
我带大家看一下这本书目录:
第一章是统计学习概论;这章是在学习整个机器学习的一些基础概念,比如说什么是回归问题,什么是分类问题;什么是正则化,什么是交叉验证,什么是过拟合等等基础概念;必须掌握,没有商量的余地;
第二章是感知机,是最简单机器学习模型,也和后面的神经网络有关系,必须掌握
第三章是K近邻算法,这个你现在不需要看,跳过它;
第四章是朴素贝叶斯算法,这个非常重要,里面的概念比如说后验概率,极大似然估计之类的,必须掌握
第五章是决策树:这很简单,就是如何特征选择,两个决策树算法;也要掌握
第六章是逻辑回归和最大熵;要看
第七章支持向量机,我说一下我的观念哈,我认为这章不需要看;为什们呢?首先在我自己的工作中,几乎没用过支持向量机;而且现在,在今天,如果你在面试深度学习岗位的时候,有的面试官还在让你手推SVM公式的话,我认为这个面试官是不合格的,这个公司可能未必是你很好的一个选择;
第八章提升树,必看,这个提升树算法非常重要;
第九章第十章第十一章,都不需要看;对于隐马尔科夫和条件随机场,之后你如果想深入学NLP,再来看;对于EM算法,入门之后你碰到的时候再去看;
我刚才谈到,对于重点算法必须能够手推公式,哪几个重要呢?不多,逻辑回归,朴素贝叶斯,以及提升树里的xgboost算法;别的算法,你能够自己复述一遍讲出来,就够了;
在看的过程中,如果有不懂的怎么办?就是我刚才推荐一个刘建平老师的博客;
在这里:见思维导图备注
这个博客很好,有对应理论介绍,也有使用sklearn实现代码;
我刚才还谈到一个准则,是不要去从零造论文实现算法,因为sklearn可以很好的帮助你;
在这个过程中,你要去搞清楚这个算法输入数据,输出数据,每个参数的含义是什么;可以自己自己调一下参数,看看不同参数下最终效果有什么不同;但是在这里不要花费太大精力在调参上,因为你现在代码实现的是一个demo,数据量很小,调参没什么意义;什么调参呢?我一会会讲到;
整个机器学习理论部分,如果你真的认真去学习,三周时间,你肯定能搞定;你想啊,总共看6章,每章你看四天,这四天,你期中三天看理论部分,一天用代码跑一遍熟悉一下感觉;
其实代码这块要跑起来,很快,都不需要一天,两三个小时就可以;四天搞定一章,三周看完一点问题没有;
3.机器学习竞赛实战

然后重点来了,理论部分看完了,也用sklearn做简单的代码实践了,接下来做什么呢?要把这些算法用到实践中去;
也就是我要谈的机器学习竞赛代码实战:在这里,我只推荐一本书,叫做:
阿里云天池大赛赛题解析——机器学习篇;
记住啊,是机器学习篇,不是深度学习篇;
我先说这本书要不要买:首先我自己是买了这本书,但是我发现书很厚,但是有大量的代码占据了很大篇幅;后来发现代码在天池上已经开源了,所以买完之后有一点点后悔;不过就全当为知识付费了;
拿你们要不要买呢?我觉得没啥必要,反正代码是开源的,一会我告诉链接;不过要想支持一下书的作者的话,可以买一本支持一下;就不要下次一定了;
天池是一个竞赛平台,这本书里面它包含了四个实战型的任务:
工业蒸汽预测
天猫用户重复购买预测
O2O优惠券预测
阿里云安全恶意程序检测
我来告诉大家怎么看这本书:
有四个任务是吧,你挑其中的一个或者两个,不需要都看,没必要;
怎么确定把这一个或者两个任务吃透呢?
七个步骤:赛题理解、数据探索、特征工程、模型训练、模型验证、特征优化、模型融合7个步骤
开源代码的链接我放在了思维导图的备注;
就像我说的,四个任务中挑一个或者两个,在一周,七天,三天看一个,七天看两个,或者七天你就看一个,比如第一个,把它吃透就够了;
看完之后,你会对之前学习的统计学习书籍里面机器学习算法有一个非常清楚的认识;
所以整个机器学习的理论和代码时间,花费时间为1个月;
4.深度学习理论学习

我把深度学习的入门仿照机器学习,也分为两个部分,先学理论,再实战打比赛;
其实说心里话,深度学习入门比机器学习入门要简单的多;
在网上很多朋友在推荐深度学习入门路线的时候,会谈到李沐老师【动手深度学习】;我自己也在跟着学习这个课程,我也学到了很多;
但是讲心里话,如果是带入一个初学者的角度去看这门课程,可能会有听不懂的情况;所以这门课程可以先放一放,我给大家推荐两个视频和一本书;
我们都知道深度这块主要就是分为NLPandCV;
NLP任务上大概可以分为四种:文本分类 文本匹配 序列标注 文本生成,
CV任务大致也可以分为图像理解和生成:理解这块大致可以分为:分类、检测、分割、追踪; 生成这块基本就是GAN模型
对于入门来说,我们不用学这么多,我们只需要学籍基础的神经网络,然后通过文本分类和图片分类任务去熟悉掌握整个徐娜林和预测流程,比如数据处理,模型搭建等呢吧;
所以我推荐的这两门课程也是很出名的:
就是大家常说的cs231n andCS224n;
我来告诉大家怎么看这两个视频,同样不是全部都看;

  • 推荐的视频cs231n;
B站视频链接见思维导图;
整个视频在B站是分为了33讲,作为入门来说,主要是学习p1-p22;
也就是从第一讲课程介绍-计算机视觉概述到循环神经网络;
我们来打开看一眼:
然后这个视频不是让你一直看,看完一部分之后,去完成对应作业;
它的作业有三个,我把实现代码链接放在这里:见思维导图备注
你去做前两个,实现图像分类任务,实现卷积神经网络:bn,dropout,cnn 都要看一下;
第三个作业比较复杂,大家不用去看,只需要做前两个;
注意,不需要自己从零去做这个作业,直接看给的代码仓库,去看人家怎么实现的,当然你如果有自信而且想要锻炼自己,没问题,可以从零去实现。但是对于大部分人,你去对照着代码一行行的看,去理解为什么这儿写,输出输入是什么;
在这个过程,就会涉及到一点,就是框架的学习,我推荐大家使用Pytorch;
框架框架学习,我这里我后面会讲到,我先在这里插一句,就是大家可以去看B站刘二大人,地址在这里:见思维导图备注
它这个pytorch学习曲线比较平滑,大家在在看计算机视觉视频之后,完成代码的部分,如果有不懂的地方,穿插着去看这个刘二大人的视频;
因为刘二大人这个视频会涉及到CNNandRNN,所以如果你一开始就看,可能会有点费劲;
我举个例子吧,比如说你看完CNN网络,然后你去完成第二个作业,突然你发现里面有些不懂,不知道为什么这么弄,然后你去看刘二大人对应的视频讲CNN代码的;是这么个顺序啊;
整个计算机市局视频和代码学习完之后,你必须要掌握到什么程度呢?
必须要把下面这些完全掌握:
反向传播梯度回传,损失函数,优化算法,多层感知机,卷积神经网络,普通的循环神经网络,以及一些dropoutandBN掌握住;
2. 自然语言处理:
推荐一个视频,非常经典的 CS224n:
链接:见思维导图备注
这个课程不是需要都看,要有选择的看:
stayB站的官方主页,它包含了18讲的内容;在入门阶段,你只需要看P1-P5andP8,P9,P11;
通过看这个视频你要能够达到什么地步呢?
其实这个视频和cs231n在基础部分是重叠的,对于基础部分,大家可以都看,两者兼学会更好
必须熟悉的掌握:反向传播,词向量,RNN,GRU,Lstm,Seq2Seq以及attention机制;初步了解卷积神经网络;
有作业,一定要认真做,自己写不出来,仿照着别人的写:见思维导图备注
作业也不是都写:重点看a1,a2,a4,a5;其实a5这个不做的话,也没问题,把前面给的这个三个一定自己走一遍;
作业涉及到词向量和机器翻译;
有的朋友常常会和我反应,不知道att这种细节是如何实现的,其实这些都是最基础的东西,一定要从零看代码,有余力的话,可以自己实现一遍,非常有帮助;
在学习这两个视频的过程中,视频是英文的,而且涉及到的一些经典概念,不太容易理解,那么必须要看这本书:
邱锡鹏
代码的学习过程中,不用去过度的关注调参之类的,而是关注代码是怎么写的;因为调参这块tricks后面我会有专门的部分提升;
3.Pytorch框架学习
pytorch框架的学习:其实这个pytorch学习应该是融合在上面这个计算机视觉学习中的;可以在看完视频只有,写作业之前,先刷一遍这个Pytorch教学视频;
B站的刘二大人:《PyTorch深度学习实践》完结合集 https://www.bilibili.com/video/BV1Y7411d7Ys?from=search&seid=1631997590037031874&spm_id_from=333.337.0.0
但是它好像没有源代码,评论区有小伙伴手敲了代码,地址在这:https://blog.csdn.net/bit452/category_10569531.html
5.深度学习竞赛实战:

重点来了,上面谈到的这些深度学习的东西,都是在给你打基础;
但是要记住,我们学习深度学习是为了实战:我给大家准备了两个学习曲线非常平滑的实战项目;
一个是新闻分类项目,一个是街景字符识别,也就是图片分类项目,有的人可能会认为这两个项目非常简单,但是我认为千万不要小瞧这两个项目,扎扎实实做完这两个项目,对你的帮助绝对比你想象的要大;
先说NLP的新闻文本分类任务;地址在这里:见思维导图备注
就像我所说的,这个任务是一个NLP中一个基础任务-文本分类任务;这也是绝大部分从业的业务型NLP工程师日常工作最常见的工作需求;所以掌握好这个任务非常关键;
那么怎么掌握呢?在天池上,有开源的赛题解析,我挑选几个我认为很好的notebook给到大家;
task1:赛题理解:
jupyter notebook 链接,见思维导图备注
就是仿照你工作的时候,运营人员怎么给你提的需求,你听完需求要去分析它是什么问题,是个分类问题,回归问题,NLP问题,CV问题,多模态问题?
task2:分析数据:去看字符分布,最大长度,链接思维导图备注
task3:基于机器学习的文本分类任务:先做一个baseline出来,不是先搞大模型复杂东西出来;
链接见思维导图备注
task4:不同深度学习模型:
fastext:它是一种词向量,也是一种文本分类模型:对应的论文链接在这里:对应的我的博客解读,在这里,链接见思维导图备注
w2C:在视频有介绍对应的论文链接对应的我的博客解读在这里
textcnn:也就是用CNN模型来做,链接见思维导图备注
textrnn:使用RNN做,链接见思维导图备注
之前深度学习视频学了,CNN,RNN等基础网络,这里你就去实战这些模型;
bert;这个可以先不看,等你入了深度学习的门,认为自己想搞NLP这个方向了,你再去看相关的论文;我把链接放在这里吧:https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.24.6406111aE3Lglg&postId=118259

第二个任务是CV任务:图片分类任务: 街景字符编码识别
链接:见思维导图备注
task1 赛题理解
链接见思维导图备注
task数据读取与数据扩增
链接见思维导图备注
task3构建
链接思维导图备注
task4模型的训练,链接思维导图备注
task4模型的集成:
链接见思维导图备注
做完这个任务,你会对在CV领域,如果加载自己的图片数据集,如何构建CV模型,增强数据,模型验证都有一个很清晰的了解;
在这两个任务实施的时候,大家可以尽情的调参,尝试各种各样的tricks提升自己的成绩;
整个深度学习
面试题:
百面机器学习;视频最后面我会提供给大家  这本书非常好,真的非常好;

There are more resources in this post

What do you need Sign in Can I download or view it without an account?Join now Scan and login on wechat

x
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
学生党,还是省着点儿花吧,家里有矿另说。
如果不是着急对付就业面试啥的,先试试找一本书看下来吧。学计算机相关的东东,看经典书是第一选择,看不下去,再找口碑好的视频教程,跟不下来,再考虑报班。
这一行,但凡能干一点儿活,赚得都比那点课时费多,自带流量那种讲师另说……
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
沉默的高洋普 | 2022-1-4 15:19:19 | 显示全部楼层
视频教程生动形象,更适合初学者,学习还是值得的。
但现在深度学习门槛也变的非常低了,所以在线课程鱼龙混杂,需要甄选。
以下是我个人推荐的较好的几部:
1.CalTech: Learning from Data
台大的林轩田老师是Yaser Abu-Mostafa的学生,他的机器学习基石和机器学习技法可以看做是Learning from Data的中文版。不过我还是推荐Yaser的,毕竟是师祖。


2. 台大: 李宏毅-机器学习,李宏毅-Deep and Structured的机器学习,强烈推荐第一部,个人认为最好的中文ML Tutorial.


3. 计算机视觉方向:Stanford CS231n: Convolutional Neural Networks for Visual Recognition


4.  自然语言处理方向 Stanford CS224n: Natural Language Processing with Deep Learning


5. 增强学习方向 UC Berkely CS 294: Deep Reinforcement Learning,UCL:Reinforcement Learning
UCLOfDavid SilveryesAlphaGo之父,Sergey LevineyesRL界新星,来自UCB大神Pieter Abbeel Lab.



<hr/>
再额外补充一个课程:
顶级名校课:深度学习与PyTorch - 网易云课堂深度结合工程实现来讲解,可能理解更深刻。

There are more resources in this post

What do you need Sign in Can I download or view it without an account?Join now Scan and login on wechat

x
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
xjxsky6 | 2022-1-4 15:19:29 | 显示全部楼层
谢邀。
作为个人经验来谈,入坑深度学习,直接动手做项目最好,看网络课程次之,看书最次。也就是说带着问题直接着手一个具体的应用项目比任何系统化学习都强,过于系统的学习很有可能让人陷入纸上谈兵的境地(推公式从头推到尾推得怪爽,然而一应用就开始翻书对着试方法),特别对于这种更新度极高的领域,唯有站在巨人肩膀上方能不掉队。
值得提及的是深度学习和机器学习还是有区别的,不严谨的来说,机器学习其实就是统计(其实属于交叉型学科)为了建立xreachy的映射关系用于回归分类,而深度学习则以神经网络算法为主,可以说机器学习包括深度学习。另外现阶段深度学习的模型可以分类两类:判别式模型)(discriminative model)和生成式模型(generative model),判别式模型主要以学习条件概率模型为主[P(y|x),x为输入,y为输出,最简单的给定x判定x属于的类别y],生成式模型主要以学习联合概率模型为主[P(x,y),x是一个类别的所有samples,y是给定的类别,通过学习获得y类别的概率分布,比如说给定一个人脸的若干张图片,通过学习它的概率分布我们可以随机生成这个人脸的假图片]。近些年来,随着卷积网的出现和其各种变形的层出不尽,以及大量带标签数据库的涌现,深度学习迎来了当前的这股热潮,所以现在有时候说机器学习不再是传统的机器学习更指深度学习。
当然了,直接入手做项目是有一定困难的,毕竟是摸石头过河,磕磕碰碰自然是难免,所以首先要做的是多和教授交流,正所谓‘听君一席话,胜读十年书’。可能有时候教授讲的很比较笼统,但是久而久之会有自己会有一种大局感,值得注意的是千万不要瞧不起这种摸不见看不着的大局感,这种大局感不是对你技术提高中的锦上添花,而是让你看透当局,正确选题,发paper的王道更是选题啊。如果天天局限于技术的细节,钻了死牛角尖,就很难有突出的成果。其次就要靠伟大的互联网了,无论是google还是百度,只要你能够键入问题的关键,一般都可以找到你想要的答案。虽然网上的资源没有书本上的牢靠,但是带着批判性的眼光去审视一切难道不是应该的嘛。再就是多读paper多看源代码了,网络上漫天的解答不一定稳,但是有名期刊上的发表的论文,无论是先进程度还是牢靠程度应该都不比书本上的差吧。虽然paper读起来比较生涩,但是遇到不清楚的词汇你可以搜索引擎上查啊,零零星星的你就会对某个模块有了比较系统的认识。对于读paper的建议是不要死磕,写的虚无缥缈,模棱两可的文章不是没有。面对很难琢磨的文章,你可以暂时放下来,去看看这篇paper是如何被cite它的文章评价的或者直接上手源代码。你就会发现:哦,原来这里连接的是一层softmax layer啊。面对不清楚的部分,切记不要自己胡乱猜测,源代码里都写得好好的,你猜个什么劲儿啊(不要问我是如何给自己加戏的)。还有就是不要害怕全片的数学公式及其推到,大多数东西是intuitive的,证明是为了增加严谨性,能应用出来才是王道(啧啧,身为数学狗,说出来算不算扇脸)。再就是要学会不求甚解,站在巨人的肩膀上看待问题。(这是我从入了代码坑以后,一直的感慨)所有的东西都尽量跟上潮流,人家免费给你用tensorflow keras的深度学习平台,你就不要费劲巴拉的自己用matlab憋着编辑一个梯度下降法了(不是我黑matlab,你确实没有python接口多啊)。对于卷积网你的初步概念不应该是:哦,这个是卷积层,那个是池化层,卷积层的作用是为了通过filter获得局部特征,池化层的作用是为了对filter结果进行降维,而应该是卷积网络的作用是为了提取特征,这对于你构架模型就够了,选定卷积网络的类型都是看其在该应用的实验效果,而不是从内部具体构造来推得其性能在当前的好坏。当然悉知内部的原理是必不可缺的,不过这些都是后话了。对了,搞深度学习建议就不要再用win了,赶紧转linux吧,ubuntu其实还是比较友好,装系统的坑必须自己踩..(不要问我装了几遍ubuntu才装到我的微星上的,我一个应数的,我容易吗我)。最后是要及时记录自己的想法,无论是对paper的理解还是对某个应用的想法,这些想法的反馈将会使你收益匪浅。
说了这么多虚话,也得来点实在的吧:
有些书籍还是值得看的:机器学习(周志华的西瓜书),统计学习方法论(李航的公式小干货),O'Reilly动物图书系列的还是不错的。
网络课程:吴恩达的机器学习挺好的,带你过一遍机器学习基本方法,大概心里中有个数吧,免费注册旁听就行,用不着买,除非你想要证书的话。对于那些大谈特谈人工智能的课程,还是不要报,不会有什么实际效果。切记:网课只能帮你入门而已,不能带你成为大牛。
链接推荐:http://blog.csdn.net/zouxy09/article/details/8781543
          http://blog.csdn.net/guohecang/article/details/52313046
          http://blog.csdn.net/zouxy09/article/category/1387932
          http://www.cnblogs.com/charlotte77/p/5629865.html
说了挺多废话的,这里总结一下:
1. 动手做项目>看网课>read a book
2. 教授给予的大局感很重要
3. 网络搜索
4. readpaper
  4.1 不要死磕,看其他paper的评价
  4.2 不要瞎琢磨,直接看源代码
  4.3 数学公式阐述的内容大多是intuitiveOf
5. 不求甚解,站在巨人的肩膀上看待问题
6. 记录自己的想法,用于反馈和讨教
多费几句话:我是大三上才开始接触深度学习的,一开始对卷积网啥的就一个朦胧的概念,但是一上来我看的就是比较有高度的文章:GAN的开山之作,虽然看的是有点吃力,但是从一开始我就逐渐开始塑造起来对深度学习模型构造的理解,个人认为这对于我对一些基础知识的吸收有很好的帮助。
最后这里贴一下那时懵懂的我对GAN的理解,所有的想法都是从不成熟到成熟啊,所以切忌依赖于一本书或者一个课程,那些最多让你入门。


虽然看到楼主仅仅是在问网课的事情,这里我就默认成讨教学习方法了,第一次答知乎,如若解答有不合适的地方,请随时指教。
那啥..,我当时是迷上了person of interest这部美剧... 那Finich创造的世界..
还有.. 差点忘了,新年好啊!

There are more resources in this post

What do you need Sign in Can I download or view it without an account?Join now Scan and login on wechat

x
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
东方不苏 | 2022-1-4 15:20:16 | 显示全部楼层
千万别买,很坑,之前花几百买的一个套餐就和李飞飞cns231课一样,连ppt都一样。说好买套餐弄的学习群,就是死群一个。网易云吴恩达的课不摆在那吗,b站七月在线,深度学习大讲堂都有课,莫烦机器学习,免费的。不要觉得买的课就一定好。如果你钱多当我没说,几百块钱到亚马逊云上还是能玩一段时间的。
Translated by the Internet, your translation resource information platform, pay attention to the official account [translation information]-Official account:fanyi899
You need to log in before you can reply Sign in | Join now Scan and login on wechat

Integral rules of this edition

18

theme

28

Post

74

integral

Registered members

Rank: 2

integral
74