GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

作者: 铜灵 2019-04-22 09:52:34

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

再也不用在学机器学习之前先恶补英语了,这儿有一套超热门的优质中文资源可以选择。

这套名叫AI Learning的GitHub资源,汇集了30多名贡献者的集体智慧,把学习机器学习的路线图、视频、电子书、学习建议等中文资料全部都整理好了。

目前资源在GitHub上已经有一万颗Star,微博网友:好人一生平安。

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

事不宜迟,来看看这里面有啥。

从入门到大牛

很多初学者都会遇到这样的问题:入门机器学习应该从哪里学起?

这些过来人表示,学习路径分三步,先学机器学习基础,然后攻克深度学习基础,***学习自然语言处理(NLP)相关知识。贡献者表示:按照这个流程来学习,你可以当大牛。

在机器学习基础部分,贡献者给出的学习路线图是这样的:

  1. 机器学习基础
  2. KNN近邻算法
  3. 决策树
  4. 朴素贝叶斯
  5. 逻辑回归
  6. SVM支持向量机
  7. 集成方法
  8. 回归
  9. 树回归
  10. K-Means聚类
  11. 利用Apriori算法进行关联分析
  12. FP-growth高效发现频繁项集
  13. 利用PCA来简化数据
  14. 利用SVD来简化数据
  15. 大数据与MapReduce
  16. 推荐系统

在上面16个学习模块中,是知识点介绍、常用工具和实战项目等不同类型的学习资源的整合版。点进去就是具体学习资料,非常方便。

比如决策树模块,先介绍了概念与主要场景:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

然后介绍了具体的项目案例和开发流程代码:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

每个模块还有配套视频,一并服用效果更好:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

即使以后出现了新的学习资源,这套方法论也可以用上。

深度学习基础部分在***部分的基础上,继续扩展了反向传播、CNN原理、RNN原理和LSTM四个知识点:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

每个知识点对应一个口碑介绍帖,内文图文并茂。

NLP内容的学习路径偏向于实际应用,在文本分类、语言建模、图像字幕、机器翻译、问答系统、语音识别、自动文摘7个领域极少,还一并放上了大量相关数据集:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

省去了为找数据集跑断腿的烦恼。

机器学习零食库

除了能get到完整学习路径持续通关,还能在里面找到人们机器学习资料“单品”。

有经典口碑英文视频吴恩达篇:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

有入门专项训练篇等任君挑选:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

整理好的电子书,直接下载PDF即可使用:

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

***,这个神奇的页面还自带贡献者们自己摸爬滚打的心路历程和学习建议。

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

看来这个资源,够你用很久了↓↓

传送门

GitHub地址:

https://github.com/apachecn/AiLearning

GitHub 代码 机器学习
上一篇:杰出CIO在2019年部署AI的五种方式 下一篇:Tomasz Tunguz:人工智能机构面临四个战略问题
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

机器学习的中流砥柱:用于模型构建的基础架构工具有哪些?

人工智能(AI)和机器学习(ML)已然“渗透”到了各行各业,企业们期待通过机器学习基础架构平台,以推动人工智能在业务中的利用。

读芯术 ·  22h前
机器学习将给电力行业带来巨大变革

毫无疑问,能源的未来在于可持续、可靠和“智能”的发电和配电系统,以及主动而不是被动的网络。随着能源格局即将发生巨大变化,现在是结合机器学习和电网的优秀时机。

蒙光伟 ·  1天前
吐血整理:机器学习的30个基本概念,都在这里了(手绘图解)

本文主要介绍机器学习基础知识,包括名词解释(约30个)、基础模型的算法原理及具体的建模过程。

梅子行 毛鑫宇 ·  1天前
机器学习“七宗罪”:影响可信度的七个常见错误

机器学习是一个伟大的工具,它正在改变我们的世界。在许多优秀的应用中,机器学习(尤其是深度学习)比传统方法优越得多。从用于图像分类的Alex-Net到用于图像分割的U-Net,人们看到了计算机视觉和医学图像处理领域的巨大成功。

图灵联邦 ·  2天前
对象存储适合人工智能和机器学习的三个原因

如今,各种类型的企业都致力于采用人工智能和机器学习项目,但要发挥其真正的潜力,则需要克服重大的技术障碍。虽然计算基础设施通常是重点,但存储设施也同样重要。

Gary Ogasawara ·  3天前
机器学习:有监督和无监督之间有什么区别

机器学习是人工智能的一个子集,它通过示例和经验教会计算机执行任务,是研究和开发的热门领域。我们每天使用的许多应用程序都使用机器学习算法,包括AI助手,Web搜索和机器翻译。

AI国际站 ·  3天前
机器学习的七原罪

机器学习是一种伟大的工具,正在改变着我们的世界。 在许多伟大的应用中,机器(尤其是深度学习)已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net,我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过,我看到机器学习方法每天都在失败。 在许多这样的情况下,人们迷上了机器学习的七大罪过之一。

闻数起舞 ·  3天前
为ML模型注入灵魂:基于MVP的超简单部署方案

开发一个出色的机器学习模型是一件棘手的事,但即使开发完成也不意味着工作的结束。在部署之前,它仍然毫无用处,他人可以轻易访问。

读芯术 ·  3天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载