PyCharm社区版支持深度学习_深度学习,大家都看哪些社区论坛?

• 对代码、编程感兴趣的可以加我公众号<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，但还是需要有人指点。
那有没有什么研究深度学习的朋友比较会聚集的网络社区或平台工具呢？
其实是有的，想了解的话，就点击上方老K玩代码，关注我吧~！

• 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/

以下是关于“Quora”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

• 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，很多非常具体。Quora和stackexchange上不乏有大佬出没。
• 以中文为主体的机器学习论坛似乎没有特别出名的。据我观察，现阶段水平比较高的竟然是...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，但似乎更新的频率不高，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活跃度一直比较一般吧，至于Quora，跟知乎比起来流量差异还是蛮大的。

---

2. Reddit  推荐：4.5/5.0星★★★★☆

https://www.reddit.com/

以下是关于“Reddit”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

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，很多非常具体。Quora和stackexchange上不乏有大佬出没。

• 以中文为主体的机器学习论坛似乎没有特别出名的。据我观察，现阶段水平比较高的竟然是...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，但似乎更新的频率不高，文章偏老。
• 如果是出于为一些比较专门化，细节化的问题发帖，然后得到迅速答复的一个forum的形式，其实贴吧更为符合，百度贴吧那两年卖吧以后现在好像蛮凉了，Reddit可能就更像是通常想象中的那样。

---

3. BigML  推荐：4.5/5.0星★★★★☆

https://bigml.com/

以下是关于“BigML”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

BigML平台旨在帮助客户创建，快速实验，全面自动化并管理机器学习工作流程。BigML提供了很好的可视化功能，并具备求解分类、回归、聚类、异常检测等算法。该产品可以按照月、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)。

• BigML的平台，私用部署和丰富的工具集将继续帮助我们的客户创建，快速实验，全面自动化并管理机器学习工作流程，以提供同类中最佳的智能应用程序。基于图形用户界面，BigML提供了以下功能：

---

4. DataRobot  推荐：4.5/5.0星★★★★☆

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

“

DataRobot(DR)是一款高度自动化的机器学习平台，由全球最好的Kagglers创建，包括Jeremy Achin，Thoman DeGodoy和Owen Zhang。在DR官网上我们可以看到这样一句话，“数据科学需要数学、统计学、编程技能和商业认知。借助DataRobot，你可以轻松获得数据和业务见解，其余部分由我们负责。”

---

5. fast.ai  推荐：4.0/5.0星★★★★

https://www.fast.ai/

以下是关于“fast.ai”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

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

---

6. mathexchange  推荐：4.0/5.0星★★★★

https://math.stackexchange.com/以下是关于“mathexchange”的几个比较有代表性的评论： 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。就个人而言，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(比如nlp就是#NLProc)，quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建自己的timeline

---

7. Driverless AI  推荐：4.0/5.0星★★★★

www.h2o.ai/driverless-ai/

以下是关于“Driverless AI”的几个比较有代表性的评论：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，这一工具可以帮助非技术人员准备数据，审校参数，确定最优算法，进而用机器学习来解决专门的企业问题。该产品旨在降低数据科学在企业环境下运行的门槛。

• 这些是Driverless AI的一些令人振奋的功能：

---

8. hashtag  推荐：4.0/5.0星★★★★

以下是关于“hashtag”的几个比较有代表性的评论：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。就个人而言，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(比如nlp就是#NLProc)，quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建自己的timeline

---

9. stack exchange  推荐：4.0/5.0星★★★★

https://stackexchange.com/

以下是关于“stack exchange”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

stack exchange统计版(Cross Validated )，更多是统计相关

---

10. paperweekly  推荐：4.0/5.0星★★★★

https://www.paperweekly.site/

以下是关于“paperweekly”的几个比较有代表性的评论：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。

• 现在一般的微信群和qq群都讨论对理解深入貌似没多大作用，感觉更多的是传递名词功能，个人感觉真正的技术方面的可以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，这个要自己根据方向去找。有个paperweekly上面会有很多好的论文推荐，部分论文有代码供复现，你可以去了解一下。

---

11. mxnet  推荐：4.0/5.0星★★★★

https://discuss.gluon.ai/

以下是关于“mxnet”的几个比较有代表性的评论：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，很多牛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/

以下是关于“medium”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

medium：很多人代码在github，教程在medium。

---

13. github  推荐：4.0/5.0星★★★★

https://github.com/

以下是关于“github”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

当然还有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没有任何的repo，或者star的人很少，自然就没什么人讨论。

• medium：很多人代码在github，教程在medium。

---

14. IBM Watson Studio  推荐：4.0/5.0星★★★★

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

以下是关于“IBM Watson Studio”的几个比较有代表性的评论：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，你可以轻松完成数据准备工作、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说，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/

以下是关于“stackoverflow”的几个比较有代表性的评论：摘自网友在知乎相关问题下的回答:

“

就个人而言，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(比如nlp就是#NLProc)，quora，stackoverflow和mathexchange。中文的话知乎和微博也可，关键在于怎么构建自己的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
• 如果你觉得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~！