适合新手——github深度学习十款有趣风靡小项目
https://github.com/endymecy/awesome-deeplearning-resources
http://zh.gluon.ai/index.html
https://zhuanlan.zhihu.com/p/27180274
扫描二维码关注公众号,回复: 1254307 查看本文章
http://www.dataguru.cn/article-12012-1.html
http://m.blog.csdn.net/v_JULY_v/article/details/51812459
https://zhuanlan.zhihu.com/p/27642620
One by One [ 1 x 1 ] Convolution - counter-intuitively useful
http://iamaaditya.github.io/2016/03/one-by-one-convolution/
http://blog.csdn.net/u012538490/article/details/53993191
http://blog.csdn.net/yangdashi888/article/details/70503874
人工智能社区
http://studyai.com/
CS231n: Convolutional Neural Networks for Visual Recognition.
http://cs231n.github.io/convolutional-networks/
https://zhuanlan.zhihu.com/p/26934186?utm_source=wechat_session&utm_medium=social
https://github.com/wepe/MachineLearning
https://github.com/apachecn/MachineLearning
https://github.com/lawlite19/MachineLearning_Python#1-%E4%BB%A3%E4%BB%B7%E5%87%BD%E6%95%B0
https://zhuanlan.zhihu.com/p/25327755
https://www.zhihu.com/question/26726794
机器学习算法之朴素贝叶斯(Naive Bayes)--第一篇
http://blog.csdn.net/xlinsist/article/details/51236454
http://blog.csdn.net/u012162613/article/details/48323777
http://blog.csdn.net/longxinchen_ml/article/details/50597149
http://www.cnblogs.com/XBWer/archi v e/2014/07/13 /3840736.html
http://blog.chinaunix.net/xmlrpc.php?r=blog/article&uid=9162199&id=4223505
http://sbp810050504.blog.51cto.com/2799422/1608064/
http://www.cnblogs.com/steven-yang/p/5658362.html
https://www.zhihu.com/question/21094489
https://www.zhihu.com/question/21704547
深度学习
https://zhuanlan.zhihu.com/p/25628246
CNN
http://www.cnblogs.com/zhizhan/p/4077947.html
CNN(卷积神经网络),RNN(循环神经网络),DNN(深度神经网络)的内部网络结构有什么区别
https://www.zhihu.com/question/34681168
https://www.cnblogs.com/nsnow/p/4562308.html
https://www.cnblogs.com/alexcai/p/5506806.html
http://www.jianshu.com/p/606a33ba04ff
http://www.jianshu.com/p/3ba69493f020
Python 库
https://github.com/scikit-learn/scikit-learn
http://sklearn.apachecn.org/cn/0.19.0/index.html
如果无法使用Github 安装sk-learn ,请到Python 官方下载msi 安装文件scikit-learn 下载传送门
https://pypi.python.org/pypi/scikit-learn
Keras 深度学习库
https://github.com/tensorflow/tensorflow
matplotlib 数据分析库 ,matplotlib API 使用手册
http://matplotlib.org/api/index.html
论文查找:
http://dblp.org/
http://m.blog.csdn.net/hjimce/article/details/48781693
https://github.com/lawlite19/MachineLearning_Python#
fast.ai(http://fast.ai/) :它针对程序员提供了两个很不错的关于深度学习的课程,以及一个关于可计算线性代数的课程。是开始编写神经网络代码的好地方,随着课程深度的延伸,当你学到更多理论的时候,你可以尽快用代码实现。
neuralnetworksanddeeplearning.com(http://neuralnetworksanddeeplearning.com/chap1.html):一本关于基本知识的很好的在线书籍。关于神经网络背后的理论。作者以一种很好的方式解释了你需要知道的数学知识。它也提供并解释了一些不使用任何深度学习框架从零开始编写神经网络架构的代码。
Andrew Ng 的深度学习课程(https://www.coursera.org/specializations/deep-learning):coursera 上的课程,也是有关学习神经网络的。以非常简单的神经网络例子开始,逐步到卷积神经网络以及更多。
3Blue1Brown(https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw):YouTube 上也有一些能够帮助你理解神经网络和线性代数的很好的视频。它们展示了很棒的可视化形式,以及以非常直觉的方式去理解数学和神经网络。
Stanford CS231 课程(http://cs231n.stanford.edu/):这是关于用于视觉识别的卷积神经网络的课堂,可以学到很多关于深度学习和卷积神经网络的具体内容1. 深度学习(Deep Learning by Google)
谷歌在在线课程平台 Udacity 上发布了深度学习专门课程。该课程持续 12 周,适合中级开发者,讲授深度学习的多方面知识,如如何构建和优化深度神经网络。该课程由谷歌首席科学家、谷歌大脑团队技术负责人 Vincent Vanhoucke 开发。
课程地址:https://www.udacity.com/course/deep-learning—ud730。
2. 神经网络和深度学习(Neural Networks and Deep Learning)
这门课程由斯坦福大学和 deeplearning.ai 开设,授课人为斯坦福大学教授、Coursera 创始人吴恩达,课程通过 Class Central 和 Coursera 平台发布。
Class Central:https://www.class-central.com/mooc/9058/coursera-neural-networks-and-deep-learning?utm_source=quartz&utm_medium=web&utm_campaign=new_courses_october
Coursera:https://www.coursera.org/learn/neural-networks-deep-learning
这门课程主要讲授深度学习的基础知识。课程结束时,你将掌握如何构建、训练和管理深度神经网络,以及如何在自己的项目中使用深度神经网络。
3. 算法:设计和分析(Algorithms: Design and Analysis)
算法是深度学习和计算机科学的核心,这门斯坦福大学开设的课程将带你了解算法。
这门课程适合有点编程经验的学习者,课程第一部分讲述「Big-oh」符号、数据排序和搜索、分治法(divide and conquer method)、随机算法、数据结构和图基元。
学习完第一部分之后,可以注册学习第二部分,更深入地学习算法。
Part 1:https://www.class-central.com/mooc/8984/stanford-openedx-algorithms-design-and-analysis?utm_source=quartz&utm_medium=web&utm_campaign=new_courses_october
Part 2:https://www.class-central.com/mooc/9250/stanford-openedx-algorithms-design-and-analysis-part-2?utm_source=quartz&utm_medium=web&utm_campaign=new_courses_october
4. 机器学习(Machine Learning)
这门课程持续 14 周,每周 8-10 小时,由佐治亚理工学院开设。
这门课讲授监督和无监督机器学习、随机搜索算法、贝叶斯学习方法、强化学习和其他机器学习概念。
课程地址:https://www.class-central.com/mooc/8995/edx-machine-learning?utm_source=quartz&utm_medium=web&utm_campaign=new_courses_october
5. 改善深度神经网络(Improving Deep Neural Networks)
这是斯坦福大学和 deeplearning.ai 开设的另一门 MOOC 课程,为期 3 周。这门课程讲授深度神经网络的超参数调整、正则化和性能优化。
课程免费,证书需付费。
课程地址:https://www.class-central.com/mooc/9054/coursera-improving-deep-neural-networks-hyperparameter-tuning-regularization-and-optimization?utm_source=quartz&utm_medium=web&utm_campaign=new_courses_october
6. 深度学习讲座(Deep Learning Lecture)
Nando de Freitas 是英属哥伦比亚大学的机器学习教授。Freitas 在 YouTube 上发布了一系列深度学习讲课视频,地址:https://www.youtube.com/playlist?list=PLE6Wd9FR—EfW8dtjAuPoTuPcqmOV53Fu。现有不同长度的 16 个视频。
他还发布了一系列适合本科生的机器学习讲课视频,共 33 个。地址:https://www.youtube.com/playlist?list=PLE6Wd9FR—Ecf_5nCbnSQMHqORpiChfJf。
7. 机器学习神经网络(Neural Networks for Machine Learning)
这门课程由多伦多大学开设,适合具备 Python 基础知识的中级学习者。
通过 16 周的学习,你可以了解深度神经网络及其应用,如语音识别、目标识别、图像分割等。
本课程可免费学习,证书需付费。
课程地址:https://www.class-central.com/mooc/398/coursera-neural-networks-for-machine-learning
8. TensorFlow 上的深度学习创新应用(Creative Applications of Deep Learning with TensorFlow)
这门课程在 Kadenze Academy 平台发布,讲授构建不同算法所需基础知识,算法包括:深度卷积神经网络、变分自编码器、生成对抗网络和循环神经网络。
了解如何构建深度学习网络之后,你可以进一步学习该课程,了解创新应用。
课程地址:https://www.class-central.com/mooc/6679/kadenze-creative-applications-of-deep-learning-with-tensorflow
9. 深度学习简介(Introduction to Deep Learning)
这门课程由 MIT 发布,为期一周。该课程介绍深度学习技术及其部分行业应用,讲授内容包括翻译算法、图像识别、目标识别、博弈等。
课程地址:https://www.class-central.com/mooc/8083/6-s191-introduction-to-deep-learning
10. 自动驾驶汽车中的深度学习(Deep Learning for Self-Driving Cars)
这门课程也由 MIT 开设,专注于自动驾驶。这门课程适合初学者,不过对高级学习者也有用处,介绍了自动驾驶汽车和半自动驾驶汽车中的深度学习系统。
这门课有 5 个视频讲座,每个视频讲解一个自动驾驶汽车中的深度学习方法。
Course website: http://cars.mit.edu
Lecture 1 slides: https://goo.gl/tEbFLL
Contact: [email protected]
Playlist: https://goo.gl/SLCb1y
Links to individual lecture videos for the course:
Lecture 1: Introduction to Deep Learning and Self-Driving Cars
https://youtu.be/1L0TKZQcUtA
Lecture 2: Deep Reinforcement Learning for Motion Planning
https://youtu.be/QDzM8r3WgBw
Lecture 3: Convolutional Neural Networks for End-to-End Learning of the Driving Task
https://youtu.be/U1toUkZw6VI
Lecture 4: Recurrent Neural Networks for Steering through Time
https://youtu.be/nFTQ7kHQWtc
Lecture 5: Deep Learning for Human-Centered Semi-Autonomous Vehicles
https://youtu.be/ByZF8_-OJNI