写给人类的机器学习 六、最好的机器学习资源

627 阅读5分钟
原文链接: github.com

原文:The Best Machine Learning Resources

作者:Vishal Maini

译者:飞龙

协议:CC BY-NC-SA 4.0

用于制定人工智能、机器学习和深度学习课程表的资源概览。

制定课程表的一般建议

上学获得一个正式学位并不总是可行或者令人满意的。对于那些考虑自学来代替的人,这就是写给你们的。

1. 构建基础,之后专攻兴趣领域

你不能深入每个机器学习话题。有太多药学的东西,并且领域的进展较快。掌握基础概念,之后专注特定兴趣领域的项目 -- 无论是自然语言理解,计算机视觉,深度强化学习,机器人,还是任何其它东西。

2. 围绕最感兴趣的话题设计你的课程表

对于一些长期学习,或事业目标来说,动机远比稍微优化的学习策略重要。如果你玩的开心,你就会进展较快。如果你尝试强迫你自己前进,你就较慢。

我们包含了自己探索或高度推荐的资源。这个列表的并不打算非常详尽。有数不清的选项,也有很多选项是没有作用的。但是如果我们错过了不错的资源,它属于这里,请帮助我们

基础

译者注:如果有翻译过来的免费中文版,会以中文版代替。如果中文版收费,则会同时提供英文和中文链接。

编程

线性代数

概率统计

微积分

机器学习

  • 课程
    • 吴恩达的机器学习课程,在网易云课堂上(更严格来说,是斯坦福 CS229
    • 数据科学训练营:Galvanize(全日制,三个月,较贵);Thinkful(时间灵活,六个月,较便宜)。
  • 课本
    • 统计学习导论(英文中文),Gareth James 等人所著。本质性机器学习概念的优秀参考,英文版免费。

深度学习

  • 课程
  • 项目
    • Fast.ai,有趣而遍历的,基于项目的课程。项目包括猫狗的图像分类,和尼采哲学的作品生成。
    • 使用 TensorFlow 分类 MNIST 手写数字。使用这个 Google 的教程,以超过 99% 的准确率,在三个小时内分类手写数字。
    • 亲自试试 Kaggle 的比赛。实现感兴趣的深度学习论文,使用 Github 上的其它版本作为参考资料。
  • 阅读

强化学习

人工智能

人工智能安全

时事通讯

  • Import AI,每周的 AI 通讯,涵盖业界的最新发展。由 OpenAI 的 Jack Clark 筹划。
  • Machine Learnings,由 Sam DeBrule 筹划。它是这个领域中经常客串的专家。
  • Nathan.ai,涵盖近期新闻,和风投视角的 AI/ML 评论。
  • The Wild Week in AI,由 Denny Britz 维护。标题说明了一切。

来自其他人的建议

你选择了蓝色药丸,然后故事结束了。你在你的床上醒来,并且相信了你打算相信的任何东西。你选择了红色药丸,仍然留在仙境中,然后我向你展示兔子洞有多深。-- Morpheus

最后祝你好运,再见。