赞
踩
想学习AI吗?但您不知道如何或从哪里开始?为了逃离教程地狱真的学习时,你必须亲自动手,从头开始编写算法,实现论文,并使用人工智能解决问题来完成有趣的副业项目。
- 自上而下的方法:首先是代码,然后是理论。
- 有很多东西需要学习,而且你永远学不完,尤其是在人工智能方面,当每周都会发布新的革命性论文和想法时。所以,你应该在公共场合学习。
机器学习在很大程度上依赖于数学的三大支柱:线性代数、微积分、概率和统计学。每个都在使算法有效运行方面发挥着独特的作用。
这是从程序员角度来看的关于 ML 数学的精彩系列:通过权重和偏差进行机器学习的数学(代码)
如果您想要采用代码优先的方法来学习线性代数,请观看由 fast.ai 的创建者制作的计算线性代数(视频、代码)。
在课程旁边阅读《Python 应用机器学习的线性代数简介》 。
如果您想要更传统的东西,请观看伦敦帝国理工学院的讲座-线性代数和多元微积分。
观看 3Blue1Brown 的《线性代数精华》和《微积分精华》。
观看StatQuest 的统计基础知识了解统计数据
补充
初学者从这里开始:实用 Python 编程。
如果您已经熟悉 Python,请执行此高级 Python 掌握
它们都是 Python Cookbook 的作者 David Beazley 的精彩课程。
之后,观看詹姆斯·鲍威尔的一些演讲
阅读Python 设计模式。
补充
PyTorch 网站是一个很棒的地方。
用一些谜题测试你的知识
补充
阅读100 页的机器学习书籍。
当你阅读时,从头开始编写算法。
查看下面的存储库
如果您想要挑战,请按照本课程从头开始编写 PyTorch。
在比赛中应用您所学到的知识。
阅读Vicki Boykis 的《将机器学习运用到生产中》
她还写了她在构建Viberary(一种书籍语义搜索)时所学到的知识。
获取数据集并构建模型(即使用Earthaccess获取 NASA 地球数据)。
使用Streamlit创建 UI并在 Twitter 上分享。
获取生产中的模型。跟踪您的实验。了解如何监控模型。亲身体验数据和模型漂移。
这里有一些优秀的资源
如果你想要自上而下,请从 fast.ai 开始。
喜欢 fast.ai?查看全栈深度学习。
如果您想要更全面的传统课程,请查看François Fleuret的UNIGE 14x050 — 深度学习。
如果您在某些时候需要接触理论,这些都是很棒的书。
在手机上阅读《深度学习小书》,而不是滚动 Twitter。
在您的神经网络收敛时阅读这些内容。
Papers with Code 是一个很好的资源;这是BERT在他们的网站上的解释。
以下是深度学习专业领域的一些资源
很多人推荐CS231n:计算机视觉深度学习。这很有挑战性,但如果你能克服它,那就值得了。
对于强化学习来说,这两个都很棒:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。