想學習深度學習，有哪些中文資源，教程推薦？
哈佛孫一峰2017-10-21 00:56:51首先，我這個答案絕對是這裡所有答案裡
學起來最快
的！！！因為
入門
深度學習幾乎不需要其他機器學習分支的知識基礎。
本答案粗略的介紹了一下深度學習的基礎知識。提供得中文資源是
Keras中文文件
和CS231的課件的中文翻譯。
1.入門基礎
如果只是想入門深度學習，你只需要懂卷積，線性迴歸，非線性函式logistics， ReLU， Softmax， 價值函式，還有反向傳播演算法（一一百度，知乎上搜索或者維基百科即可）。深度學習的本質就是對輸入進行線性操作（例如卷積）之後再進行一個非線性的操作（例如ReLU）。然後再加一個pooling就組成一個模組。然後堆模組並在結尾加上Softmax和價值函式就行了。某種角度來說，深度學習入門是機器學習裡最簡單的。因為基本上有高數的數學水平就能輕鬆懂。搞定這些你就懂了基本的DNN（deep neural networks）。
然後CNN和RNN，你可以分別看（順帶一提，知乎是一個很好的瞭解深度學習的中文平臺。）
CNN： 卷積神經網路工作原理直觀的解釋？
RNN： ［譯］ 理解 LSTM 網路
三者之間的區別：CNN（卷積神經網路）、RNN（迴圈神經網路）、DNN（深度神經網路）的內部網路結構有什麼區別？
增強學習這塊我不是很熟。就不貼了。
更詳細的你可以去看CS231的課件的中文翻譯：
賀完結！CS231n官方筆記授權翻譯總集篇釋出
2.實踐和Keras
到這裡原理這塊你應該知道七七八八了。之所以說簡單是因為你現在知道這些之後（差不多幾個小時就夠了）可以輕鬆搭出一個模型吊打五年前的任何模型（只要你硬體跟得上）。所以你現在可以開始實踐部分了。
首先你需要會python（不會去學，難道python的中文資料還少麼233）。如果可以的話，買個gpu。
然後學習Keras， Keras應該是對新手入門最友好的平臺了（但相對的功能一般般），並且他有中文文件。另外強烈安利pytorch。
Keras：Keras中文文件
此外，模型還有許多小技巧例如dropout， batch normalization。這個技巧在Keras文件裡面都有。具體它們是怎麼操作並且如何直觀的理解，我覺得在知乎和百度上搜索一下就好了。
例如
Dropout：Dropout解決過擬合問題
Batch normalization：深度學習中 Batch Normalization為什麼效果好？
然後你就可以做些小實驗了。例如在MNIST上識別人手寫的數字。
3. 關於英語
到這一步基本上是你不看英文的
極限
了。你只是入門了基礎。想進一步就必須學英語，因為
1。各種基礎知識例如各種optimizer， CUDA， KL-divergence， Regularization， RHKS， Variational Bayesian， etc。 英語材料比中文好找且豐富的多，並且機器學習不只有深度學習這一個分支。
2。最新的科研進展肯定是用英文發表的。沒人會給你翻譯的（現在會去翻譯論文的多半是外行小編，不過未來肯定有人工智慧來翻譯23333）。如我之前所說，這個領域你現在能學的基礎就能吊打五年前的方法了。所以中文資料更新速度根本跟不上。
此外，看懂這些英語你只需要學閱讀。基本是認識語法和單詞就行了。你不會還可以查字典。相信我，學英語吧。
PS：每次都要打深度學習而不能打DL好累呀。。。什麼？你問我為啥打RNN不打迴圈神經網路？
順帶舉個英文渣翻譯的例子
狗屁不通一看就是機翻，於是我試著把英文原文放入google translate裡。
如你所見一模一樣。我就不說是哪家公眾號了。順帶一提該公眾號在一眾公眾號中提供的內容並不差（雖然很多標題黨和機翻）。
藍橋雲課2019-09-17 14:05:48一、書籍推薦：
《統計學習方法》
by 李航老師：介紹支援向量機、Boosting、最大熵、條件隨機場等十個統計學習方法。
統計學習方法 （豆瓣）
2。
《機器學習》
by 周志華老師：作為該領域的入門教材，在內容上儘可能涵蓋機器學習基礎知識的各方面。
機器學習 （豆瓣）
3.《深度學習》
by Ian Goodfellow， Yoshua Bengio， Aaron Courville：內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。
深度學習 （豆瓣）
二、影片教程：
1。吳恩達教授在網易公開課上的深度學習影片教程：
深度學習工程師微專業 - 一線人工智慧大師吳恩達親研-網易雲課堂 - 網易雲課堂
2。臺灣國立大學李宏毅教授開設的深度學習影片：
https：//www。
bilibili。com/video/av15
889450/
3。牛津大學與DeepMind合作的自然語言處理深度學習課程：
http：//
study。163。com/course/in
troduction/1004336028。htm
三、線上資源：
TensorFlow 官方文件中文版
Keras 中文文件
四、線上課程：
樓+之深度學習實戰
自然語言處理底層技術實現及應用
TensorFlow 深度學習基礎課程
PyTorch 入門與實戰
強化學習基礎演算法及實踐
量子位2019-10-22 20:01:22這是一份GitHub標星2萬+的中文資源，名叫AiLearning。
彙集了30多位貢獻者的智慧，把學習機器學習的路線圖、影片、電子書、學習建議等中文資料，大量整理在此：
內容豐盛，不信你看：
從入門到大牛
很多初學者都會遇到這樣的問題：入門機器學習應該從哪裡學起？
這些過來人表示，學習路徑分三步，先學機器學習基礎，然後攻克深度學習基礎，最後學習自然語言處理（NLP）相關知識。貢獻者表示：按照這個流程來學習，你可以當大牛。
在機器學習基礎部分，貢獻者給出的學習路線圖是這樣的：
機器學習基礎
KNN近鄰演算法
決策樹
樸素貝葉斯
邏輯迴歸
SVM支援向量機
整合方法
迴歸
樹迴歸
K-Means聚類
利用Apriori演算法進行關聯分析
FP-growth高效發現頻繁項集
利用PCA來簡化資料
利用SVD來簡化資料
大資料與MapReduce
推薦系統
在上面16個學習模組中，是知識點介紹、常用工具和實戰專案等不同型別的學習資源的整合版。點進去就是具體學習資料，非常方便。
比如決策樹模組，先介紹了概念與主要場景：
然後介紹了具體的專案案例和開發流程程式碼：
每個模組還有配套影片，一併服用效果更好：
即使以後出現了新的學習資源，這套方法論也可以用上。
深度學習基礎部分在第一部分的基礎上，繼續擴充套件了反向傳播、CNN原理、RNN原理和LSTM四個知識點：
每個知識點對應一個口碑介紹帖，內文圖文並茂。
NLP內容的學習路徑偏向於實際應用，在文字分類、語言建模、影象字幕、機器翻譯、問答系統、語音識別、自動文摘7個領域極少，還一併放上了大量相關資料集：
省去了為找資料集跑斷腿的煩惱。
機器學習零食庫
除了能get到完整學習路徑持續通關，還能在裡面找到人們機器學習資料“單品”。
有經典口碑英文影片吳恩達篇：
有入門專項訓練篇等任君挑選：
整理好的電子書，直接下載PDF即可使用：
最後，這個神奇的頁面還自帶貢獻者們自己摸爬滾打的心路歷程和學習建議。
這份資源，大概夠你用很久的了。
傳送門：
https：//
github。com/apachecn/AiL
earning
薛昆Kelvin2019-12-12 14:44:43AI/ML中文入門最佳實踐：
等你來學
可以線上執行的免費中文教程
很多初學者都會遇到這樣的問題：入門機器學習應該從哪裡學起？
推薦的入門步驟：
Python -> 資料處理 -> 資料視覺化 -> 機器學習初級 -> 機器學習進階 -> 深度學習
初識Python【今天開始寫程式碼】
資料處理【瑞士軍刀Pandas指南】
資料視覺化【從程式設計小白到畫圖大拿】
機器學習【初探建模那些事兒】
機器學習【建模進階指南】
量化分析師的Python日記【第13天 你的基於Keras的深度學習之旅】
傳送門：
可以關注一下這個新崛起的品牌
Vitu.AI
， 專注數字資產，
Vitu.ai - 資料從不說謊 - 區塊鏈的世界也不例外
專業金工團隊、開源友好社群、數字資產現貨期貨衍生品回測一站式服務。
張戎2020-05-31 15:54:37推薦
《Deep Learning》
這本書。作者是
Ian Goodfellow、Yoshua Bengio 和 Aaron Courville
三位大牛。這本書的中文版於 2017 年 7 月 22 號上市。該書由眾多譯者協力完成。《深度學習》這本書從淺入深介紹了基礎數學知識、機器學習經驗以及現階段深度學習的理論和發展，不管是人工智慧技術愛好者，還是相關從業人員使用這本書都是非常有好處的。另外，讀者如果想熟悉一些數學知識，本書也做了一些介紹，包括矩陣，導數等基本內容。讀者可以從頭讀到尾。
《深度學習》這本書的一大特點是介紹深度學習演算法的本質，脫離具體程式碼實現給出演算法背後的邏輯，不寫程式碼的人也完全可以看。為了方便讀者閱讀，作者特別繪製了本書的內容組織結構圖，指出了全書20章內容之間的相關關係。讀者可以根據自己的背景或需要，隨意挑選閱讀。
官方中文版
的 GitHub 連結在此：
https：//
github。com/exacity/deep
learningbook-chinese
除此之外，還有一本書
《動手學深度學習》
。本書旨在向讀者交付有關深度學習的互動式學習體驗。書中不僅闡述深度學習的演算法原理，還演示它們的實現和執行。與傳統圖書不同，本書的每一節都是一個可以下載並執行的 Jupyter記事本，它將文字、公式、影象、程式碼和執行結果結合在了一起。此外，讀者還可以訪問並參與書中內容的討論。
全書的內容分為 3 個部分：第一部分介紹深度學習的背景，提供預備知識，幷包括深度學習基礎的概念和技術；第二部分描述深度學習計算的重要組成部分，還解釋近年來令深度學習在多個領域大獲成功的卷積神經網路和迴圈神經網路；第三部分評價最佳化演算法，檢驗影響深度學習計算效能的重要因素，並分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。
本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者瞭解基本的Python程式設計或附錄中描述的線性代數、微分和機率基礎。
如果覺得數學知識不太夠，可以看這一本
《深度學習的數學》
。本書基於豐富的圖示和具體示例，通俗易懂地介紹了深度學習相關的數學知識。第1章介紹神經網路的概況；第 2 章介紹理解神經網路所需的數學基礎知識；第 3 章介紹神經網路的最佳化；第 4 章介紹神經網路和誤差反向傳播法；第 5 章介紹深度學習和卷積神經網路。書中使用 Excel 進行理論驗證，幫助讀者直觀地體驗深度學習的原理。
如果想複習一些數學課程，可以讀一些數學方面的基礎課，例如微積分，線性代數，機率論等課程。程式設計師直接閱讀數學書可能會比較枯燥，但是有人貼心地針對程式設計師撰寫了相應的數學書籍。
《程式設計師的數學 第2版》
面向程式設計師介紹了程式設計中常用的數學知識，藉以培養初級程式設計師的數學思維。讀者無須精通程式設計，也無須精通數學，只要具備四則運算和乘方等基礎知識，即可閱讀本書。本書講解了二進位制計數法、邏輯、餘數、排列組合、遞迴、指數爆炸、不可解問題等許多與程式設計密切相關的數學方法，分析了哥尼斯堡七橋問題、高斯求和、漢諾塔、斐波那契數列等經典問題和演算法。引導讀者深入理解程式設計中的數學方法和思路。
《程式設計師的數學2：機率統計》
涉及隨機變數、貝葉斯公式、離散值和連續值的機率分佈、協方差矩陣、多元正態分佈、估計與檢驗理論、偽隨機數以及機率論的各類應用，適合程式設計人員與數學愛好者閱讀，也可作為高中或大學非數學專業學生的機率論入門讀物。
《程式設計師的數學3：線性代數》
本書用通俗的語言和具象的圖表深入講解了程式設計中所需的線性代數知識。內容包括向量、矩陣、行列式、秩、逆矩陣、線性方程、LU分解、特徵值、對角化、Jordan標準型、特徵值演算法等。
通常來說，學習深度學習基礎的時候，精讀一本書即可，其他書用於輔助和查缺補漏，然後就可以根據科研的方向和導師的要求來閱讀論文和搞科研了。
