最近几年，尤其是自从2016年Alpha Go打败李世石事件后，人工智能技术受到了各行业极大关注。其中以机器学习技术中深度学习最受瞩目。主要原因是这些技术在科研领域和工业界的应用效果非常好，大幅提升了算法效率、降低了成本。因而市场对相关技术有了如此大的需求。
我在思考传统行业与这些新兴技术结合并转型的过程中，亦系统的回顾了深度学习及其相关技术。本文正是我在学习过程中所作的总结。我将按照我所理解的学习路径来呈现各部分内容，希望对你亦有帮助。欢迎一起交流。
主要分为如下几个部分：
- 数学基础：包括微积分、线性代数、概率论等对理解机器学习算法有帮助的基本数学。
- Python：
Python提供了非常丰富的工具包，非常适合学习者实现算法，也可以作为工业环境完成项目。主流的深度学习框架，例如当前最流行的两个AI框架TensorFlow、PyTorch都以Python作为首选语言。此外，主流的在线课程（比如Andrew Ng在Coursera的深度学习系列课程）用Python作为练习项目的语言。在这部分，我将介绍包括Python语言基础和机器学习常用的几个Library，包括Numpy、Pandas、matplotlib、Scikit-Learn等。 - 机器学习：介绍主流的机器学习算法，比如线性回归、逻辑回归、神经网络、SVM、PCA、聚类算法等等。
- 深度学习：介绍原理和常见的模型（比如
CNN、RNN、LSTM、GAN等）和深度学习的框架（TensorFlow、Keras、PyTorch）。 - 强化学习：介绍强化学习的简单原理和实例。
- 实践项目：这里将结合几个实际的项目来做比较完整的讲解。此外结合
Kaggle、阿里云天池比赛来做讲解。 - 阅读论文：如果你追求更高和更深入的研究时，看深度学习各细分领域的论文是非常必要的。
内容持续更新中，未完成的部分标识有TBD (To be done)。 文中涉及的公式部分是用CodeCogs的在线LaTeX渲染，如果公式未正确加载，可以尝试多刷新几次。
机器学习绪论一文中总结了机器学习领域和其解决的问题介绍，建议先读此文，以便有一个系统认知。
微积分和线性代数的基础是必须要掌握的，不然对于理解学习算法的原理会有困难。如果已经有一定的数学基础，可以先跳过这一部分，需要的时候再回来补。这里的Notes是基于Coursera中Mathematics for Machine Learning专题做的总结。
- Calculus 微积分
- Linear Algebra 线性代数
- 概率论 (TBD)
- PCA 主成分分析
如果有比较好的Python和机器学习相关Library的知识，对于学习算法过程中的代码可以快速理解和调试，一方面节省时间，另一方面也可以更聚焦在算法和模型本身上。
主要基于Machine Learning (Coursera, Andrew Ng) 的课程内容。
- 机器学习算法系列
- 内容参考包括：吴恩达Coursera系列、周志华《机器学习》、密西根大学Applied Machine Learning in Python
- 每章节配套的
Jupyter Notebook练习 参考网络内容修订
- 目录结构：
主要基于Deep Learning (Coursera, Andrew Ng) 的专题课程 ，介绍深度学习的各种模型的原理。
- 深度学习
- 深度学习基础
- 深度神经网络调参和优化
- 深度学习的工程实践
- 卷积神经网络（CNN）
- 序列模型（RNN、LSTM）
- 更多讨论（待补充）
- 推荐吴恩达DeepLearning.ai和Coursera推出的系列TensoFlow课程。每门课均包括四周内容，Exercise基于Google Colab平台，讲师是来自Google Brain团队的Laurence Moroney：
- 《Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning》：TF入门
- 《Convolutional Neural Networks in TensorFlow》：CNN, Transfer Learning
- 《Natural Language Processing in TensorFlow》：构建NLP系统，涉及RNN, GRU, and LSTM等
- 《Sequences, Time Series and Prediction》：用RNNs/ConvNets/WaveNet解决时序和预测问题
- 关于TensorFlow 2.0，推荐阅读
《TensorFlow Dev Summit 2019》以便对TensorFlow体系有个完整认知。 - TensorFlow/Keras的例子
PyTorch同样是一个优秀的深度学习框架，发展势头不错，值得关注
-
Reinforcement learning (RL) is a type of machine learning, in which an agent explores an environment to learn how to perform desired tasks by taking actions with good outcomes and avoiding actions with bad outcomes. A reinforcement learning model will learn from its experience and over time will be able to identify which actions lead to the best rewards.
-
TBD
- Kaggle（全球赛、推荐的平台）
- 天池 - 阿里云（中国）
- DataFountain（中国）
- SODA - 开放数据创新应用大赛（中国）
对于一些问题的深入研究，最终是离不开阅读优秀论文，推荐如下GitHub：
-
深度学习论文的阅读路径：适合深度学习领域新人，循序渐进带你读论文
-
Papers with code：总结了近 10 年来顶会（包括NIPS/CVPR/ECCV/ICML）优秀论文和复现代码
- 《机器学习》（别名《西瓜书》周志华）
- 《Deepleanrning》（别名《花书》作者Ian Goodfellow）
- 《Hands on Machine Learning with Scikit Learn Keras and TensorFlow》（已经出了第二版，作者Aurélien Géron）
- 非常推荐购买纸质书，关于电子版可参考这个的Repo：机器学习/深度学习/Data Science相关的书籍
- Anaconda
- IDE
- PyCharm（推荐） / VS Code（推荐）/ Atom 等：参考阅读《Python的几款IDE》。
- PyCharm（推荐） / VS Code（推荐）/ Atom 等：
- 机器学习在线环境
- Google Colab：Jupyter环境。一篇介绍Google Colab的总结。
- Google Colab：Jupyter环境。
- 科学上网
- 内地朋友避免不了和China GFW斗智斗勇，建议花小钱省事省心。可看左耳耗子的文章《科学上网》。
对于此前不是机器学习/深度学习这个领域的朋友，不管此前在其他领域有多深的积累，还请以一个敬畏之心来对待。
- 持续的投入：三天打鱼两天晒网的故事，我们从小便知，不多说了；
- 系统的学习：一个学科，知识是一个体系，系统的学习才可以避免死角，或者黑洞；
- 大量的练习：毕竟机器学习/深度学习属于Engineering & Science的范畴，是用来解决实际的问题的。单纯的理论研究，如果没有实际的项目（包括研究项目）经验做支撑，理论可能不会有很大突破。
- 如果发现内容的错误，欢迎在GitHub提交Issue或者Pull Request
- 个人精力有限，欢迎感兴趣的朋友一起来完善和补充内容
- 欢迎Star 和Share 此Repository