入门合辑,不知道该怎么入门的可以看这里 | 国庆特辑

摘要: 国庆节来了,社长我也休息一下。借此机会,把我们之前发过的内容做一次总结,也方便大家查阅~

10-11 07:06 首页 AI研习社

国庆节来了,社长我也休息一下。

借此机会,把我们之前发过的内容做一次总结,也方便大家查阅~

今天带来的是机器学习、深度学习以及NLP的入门文章。

之前或许看的都是单片的指导文章,这回可以对比一下各家言论,看看哪一种更适合自己。

大家可以把本文收藏下来,这样方便回过头来向各个章节跳转。


  如何用 3 个月零基础入门机器学习?

写这篇文章的初衷是大部分私信我的朋友都想了解如何入门 / 转行机器学习,搭上人工智能这列二十一世纪的快车。再加上这个问题每隔一阵子就会在知乎时间线上出现一次,因此想写一篇文章来 “一劳永逸” 的分享我的观点。

文章的宗旨是:

1. 指出一些自学的误区 

2. 不过多的推荐资料

3. 提供客观可行的学习表 

4. 给出进阶学习的建议。

这篇文章的目标读者是计划零基础自学的朋友,对数学 / 统计基础要求不高,比如:

  • 在读的学生朋友

  • 非计算机行业的读者

  • 已经工作但想将机器学习 / 数据分析和自己的本职工作相结合的朋友

因此,这篇文章对于已经身处机器学习领域可能帮助不大。同时再次声明这只是我的个人看法,请大家有选择的性阅读,探索适合自己的学习方法。

  读了这些书,才能正确入门深度学习

多年来,由于实验室研究和现实应用效果之间的鸿沟,少有人持续研究人工智能,AI 在很多领域停滞不前。

但近两年,AI 在一些领域陆续有了重大突破,比如:图像识别;自动驾驶;Alpha Go 等。许多八九十年代的算法,由于硬件慢和缺乏数据等原因束之高阁。而现在,有众多大数据集和大规模并行芯片的支持,这些算法终于初见成效。

在过去的一年多时间里,研究人员奋笔疾书,竞相出版专著,以满足读者对深度学习知识的渴求。第一本关于深度学习的书已经上架,更多的将会在夏天或者明年年初陆续上架。我有幸提前拜读了若干专著的初稿,这些书的最终出版让人期待万分。

接下来给大家推荐一些深度学习书籍,这些书可以引导大家如何学习人工智能,对深度学习的快速理解有很大帮助。

  不是你无法入门自然语言处理(NLP),而是你没找到正确的打开方式

之前一段时间,在结合深度学习做 NLP 的时候一直有思考一些问题,其中有一个问题算是最核心一个:究竟深度网络是怎么做到让各种 NLP 任务解决地如何完美呢?到底我的数据在 NN 中发什么了什么呢?

并且,不少的 terms like: 词向量、word embedding、分布式表示、word2vec、glove 等等,这一锅粥的名词术语分别代表什么,他们具体的关系是什么,他们是否处于平级关系?

出于对知识结构追求完整梳理的强迫症的老毛病,于是不停地查资料、思考、keep revolving……

然后就感觉有一点小进展了。想到,不如将个人对其的理解,无论对错,先拿出来跟 peer 分享下,或许能交换出更有意义的东西呢?

整篇文章的构架是按照属于概念在逻辑上的先后大小顺序,一层一层一级一级地往下剖析、比较、说明。

另外说明下,here 整篇文字内容相对是比较入门,甚至有的点可能描述的不太客观正确,限于当前的认知水平…… 还请您海涵,希望您在评论中指正!

  深度学习如何入门?

关于深度学习,网上的资料很多,不过貌似大部分都不太适合初学者。 这里有几个原因: 1. 深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲,有些读者就会有畏难的情绪,因而容易过早地放弃。 2. 中国人或美国人写的书籍或文章,普遍比较难一些。我不太清楚为什么,不过确实是这样子的。

深度学习,确实需要一定的数学基础,但真的那么难么?这个,还真没有。不信?听我来给你侃侃。看完,你也会觉得没那么难了。

本文是针对初学者,高手可以无视,有不对的地方,还请多多批评指正。


各位读者手中有没有其他好文章推荐呢?欢迎在评论区告知,或者在后台推推荐好文章,社长会从中筛选好文章,再发出来给大家看的~


新人福利



关注 AI 研习社(okweiwu),回复  1  领取

【超过 1000G 神经网络 / AI / 大数据,教程,论文】



2 分钟论文系列合辑 | 国庆特辑

▼▼▼


首页 - AI研习社 的更多文章: