机器学习学习路径





How to Start Learning Deep Learning

机器学习学习路径

2012年以后机器学习获得了一系列突破性的进展 (比如 人脸识别微软的物体识别 and AlphaGO干掉李世石), 迅速流行起来. 我把我了解到的资料汇总整理了一下,课程和文章都是领域的权威专家作品,有挫折感是正常的,就当你重新学习编程吧.

如果对线性代数、微积分、概率论有基本概念的话: 斯坦福大学的 CS231n 是个好起点. 视频和PPT都很容易找到(我放到wiki了).

如果数学需要补一下的话(那简直是一定的): 推荐麻省理工的线性代数  edx的微积分课程 和 edx的概率课.

机器学习课程 Andrew Ng’s 在coursera的课程 可做入门.  Yaser Abu-Mostafa的机器学习课程 .更偏理论一些(公式很多). 理论虽然对于深度学习不是必须的,现在的库和工具都比较易用,但懂理论绝对有助于理解发生了什么。而且深度学习并不适用于所有场景,遇到障碍,理出思路,找到捷径还是得回归理论.

CS231n之外,多多开阔些眼界. Geoffrey Hinton在Coursera的课程 “机器学习中的神经网络” 介绍了更多深度学习的应用场景, 还有 Hugo Larochelle’s “Neural Networks Class”. 都带视频. Nando de Freitas 也有个在线课程 而且还附赠家庭作业.

如果你更新喜欢看书,恭喜你有更多选择: Neural Networks and Deep Learning 免费值得一读,作者在量子计算方面也很有建树(书我传到wiki了).  Deep Learning Book 稍微艰深一点,内容很赞.

搞定基础以后:

Deep learning frameworks机器学习可用的库和框架: 成功的几个库都系出名门 Tensorflow (by Google), Torch (by Facebook) and Theano (by MILA). 我们开发使用Tensorflow TensorFlow教程.

神经网络的训练在GPU上完成  GPU不是必须,但GPU的速度优势很大. 自己GPU不给力的话可以租台机器 亚马逊ec2机器学习,阿里云应该也快了.

一起加油吧


发表评论

电子邮件地址不会被公开。 必填项已用*标注