AI英语介绍(自学英语)

本文由知名开源平台、AI技术平台和领域专家：Datawhale、ApacheCN、AI有道、黄海光博士整理投稿，内容涵盖AI入门、数据分析\挖掘、机器学习、深度学习、强化学习等基础知识，前沿论文和自然语言处理、计算机视觉、推荐系统、风控模型、知识图谱五大AI理论应用领域。是你从初学者到专家学习AI必不可少的学习路线和优质学习资源。
基础知识
一个
数学
数学是永远学不会的，很少有人能把数学的基础学得和博士一样好。事实上，他们只需要掌握必要的基础知识，就可以在人工智能领域入门。AI的数学基础主要是高等数学，线性代数，概率论，数理统计，本科必修。下面是一篇简单的数学入门文章：
基础数学：高等数学
https://zhuanlan.zhihu.com/p/36311622
基础数学：线性代数
https://zhuanlan.zhihu.com/p/36584206
数学基础：概率论和数理统计
https://zhuanlan.zhihu.com/p/36584335
下载机器学习的数学基础资料：
1)机器学习的数学基础。文档
中文版总结了高等数学、线性代数、概率论、数理统计三门课程的公式。
2)斯坦福大学University.pdf分校机器学习的数学基础
英文原版资料很全面。建议英语好的同学直接学习这份资料。
下载链接：
https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg取款代码： hktx
国外经典数学教材：
与国内浙江大学、同济大学出版的数学教材相比，更加通俗易懂，易于初学者打下更好的数学基础。下载链接：
https://blog.csdn.net/Datawhale/article/details/81744961
2
统计数字
入门教材：简单统计学
高级教材：商业和经济统计
推荐视频：可汗学院统计
http://open.163.com/special/Khan/khstatistics.html
三
程序
人工智能领域入门，Python是第一种编程语言。
1) Python安装：
Python安装包，推荐下载Anaconda。Anaconda是用于科学计算的Python发行版，它支持Linux、Mac和Windows系统。提供了包管理和环境管理的功能，可以轻松解决多个版本Python的共存和切换以及各种第三方包的安装问题。
下载地址：
https://www.anaconda.com/download/
建议使用Anaconda (Python版本3.7)
IDE:推荐pycharm，社区版免费。
下载地址：https://www.jetbrains.com/
安装教程：
Anaconda Jupyter笔记本Pycharm:
https://zhuanlan.zhihu.com/p/59027692
Ubuntu18.04深度学习环境配置(CUDA9 CUDNN7.4 TensorFlow1.8):
https://zhuanlan.zhihu.com/p/50302396
Python入门信息推荐
A.廖雪峰python学习笔记
https://blog.csdn.net/datawhale/article/category/7779959
B.b.python简介
作者李进，这是jupyter笔记本文件，演示了一次python的主要语法，值得推荐。下载链接：
https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA取款代码： 2bzh
C.南京大学python视频教程
强烈推荐这个教程。基本涵盖了python的主要语法和常用库。
查看地址：
学习中的https://www.icourse163.org/course/0809NJU004-1001571005
看完这三个资料，python已经基本达到入门水平，可以用scikit-learn等机器学习库来解决机器学习的问题。
3)补充
代码规格：
https://zhuanlan.zhihu.com/p/59763076
Numpy练习：
https://zhuanlan.zhihu.com/p/57872490
熊猫练习：
https://zhuanlan.zhihu.com/p/56644669
数据分析/挖掘
一个
数据分析基础书籍
《利用python进行数据分析》
这本书包含了大量的实际案例，你将学习如何使用各种Python库(包括NumPy、Pandas、Matplotlib和IPython)高效地解决各种数据分析问题。如果把所有代码运行一次，基本上就可以解决数据分析中的大部分问题。
2
特色工程
https://blog.csdn.net/Datawhale/article/details/83033869
三
数据挖掘项目
https://blog.csdn.net/datawhale/article/details/80847662
机器学习
开口组
吴恩达《Machine Learning》
这绝对是机器学习入门的首选课程，没有之一！即使你没有扎实的机器学习所需的概率论、线性代数等扎实的数学基础，也可以轻松入门这门机器学习的入门课程，体验机器学习的无穷乐趣。
课程主页：
https://www.coursera.org/learn/machine-learning
中文视频：
网易课堂进行了这一课程，黄海光等人翻译了中文字幕。
中文笔记和作业代码：
https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
开口组
吴恩达CS229
吴恩达史丹福教授的机器学习课程CS229和吴恩达Coursera的《Machine Learning》类似，但是数学要求和公式推导更多，难度稍大。本课程广泛介绍了机器学习和统计模式识别。
课程主页：
http://cs229.stanford.edu/
中文视频：
http://open.163.com/special/opencourse/machinelearning.html
中文注释：
https://kivy-cn.github.io/Stanford-CS-229-CN/#/
查找表：
这位强大的资源贡献者是斯坦福大学毕业生Shervine Amidi。笔者整理了一份超详细的CS229清单。
https://zhuanlan.zhihu.com/p/56534902
工作代码：
https://github.com/Sierkinhane/CS229-ML-Implements
开口组
田璇《机器学习基石》
林台大的《机器学习基石》课程内容全面，涵盖了机器学习的很多方面。非常适合作为机器学习的入门和进阶教材。而且林老师的授课风格也很幽默，总能让读者在轻松愉快的氛围中掌握知识。这个课程比Ng的《Machine Learning》稍微难一点，侧重于机器学习理论。
中文视频：
https://www.bilibili.com/video/av36731342
中文注释：
https://redstonewill.com/category/ai-notes/lin-ml-foundations/
辅助教材
配套书籍《Learning From Data》，线上书籍首页：http://amlbook.com/.
开口组
田璇《机器学习技法》
课程《机器学习技法》是《机器学习基石》的高级课程。本文主要介绍了机器学习领域的一些经典算法，包括支持向量机、决策树、随机森林、神经网络等。难度略高于《机器学习基石》，实用性强。
中文视频：
https://www.bilibili.com/video/av36760800
中文注释：
https://redstonewill.com/category/ai-notes/lin-ml-techniques/
书
《机器学习》
周志华的《机器学习》被亲切地称为“西瓜书”。这本书非常经典。讲述了机器学习的核心数学理论和算法。适合学校教材或中级读者自行使用。刚开始学这本书有点难。
和《机器学习实战》一起学习，效果会更好！
阅读笔记：
https://www.cnblogs.com/limitlessun/p/8505647.html#_label0
公式推导：
https://datawhalechina.github.io/pumpkin-book/#/
课后锻炼：
https://zhuanlan.zhihu.com/c_1013850291887845376
书
《统计学习方法》
李航的书《统计学习方法》是一本经典，里面包含了更完整、更专业的机器学习理论知识，作为捣固理论非常不错。
讲座PPT:
https://github.com/fengdu78/lihang-code/tree/master/ppt
阅读笔记：
http://www.cnblogs.com/limitlessun/p/8611103.html
https://github.com/SmirkCao/Lihang
参考注释：
https://zhuanlan.zhihu.com/p/36378498
代码实现：
https://github.com/fengdu78/lihang-code/tree/master/code
书
《Scikit-Learn 与 TensorFlow 机器学习实用指南》
经过之前的学习，这个《Scikit-Learn 与 TensorFlow 机器学习实用指南》非常适合提升你的机器学习实际编程能力。
这本书分为两部分。第一部分介绍机器学习的基本算法，每章都配有Scikit-Learn实用项目；第二部分介绍神经网络和深度学习，每章都配有TensorFlow实际项目。如果只是机器学习，请阅读第一部分。
书的代码：
https://github.com/ageron/handson-ml
真正的战斗
卡格尔竞赛
比赛是提高你机器学习能力最有效的方法，Kaggle比赛是首选。
Kaggle主页：
https://www.kaggle.com/
卡格尔路3360号
https://github.com/apachecn/kaggle
工具
sci kit-学习官方文档
Scikit-Learn作为一个非常全面的机器学习库，是一本不可多得的实用编程手册。
官方文件：
https://scikit-learn.org/stable/index.html
中文文档(0.19):
http://sklearn.apachecn.org/#/
深度学习
开口组
吴恩达《Deep Learning》
机器学习课程在吴恩达设立后，公布的《Deep Learning》课程受到好评。吴恩达老师的课程最大的特点就是循序渐进的向你传授知识，是入门学习不可多得的好视频资料。
整个项目包括五门课程：01。神经网络和深度学习；2.完善深度神经网络-超参数调试、正则化和优化；3.结构化机器学习项目；4.卷积神经网络；5.序列模型。
课程视频
网易云课堂：
https://mooc.study.163.com/university/deeplearning_ai#/c
课程a:
https://www.coursera.org/specializations/deep-learning
课程笔记
黄海光博士之前写过吴恩达先生关于机器学习的个人笔记，他带领团队整理了中文笔记：
https://github.com/fengdu78/deeplearning_ai_books
参考文件
吴恩达老师在课程中提到了许多优秀的论文。黄海光博士将它们分类如下：
https://github . com/fengdu 78/deep learning _ ai _ books/tree/master/的参考论文
课程PPT和课后作业
吴恩达深度学习课程，包括课件、作业和一些其他材料：
https://github.com/stormstone/deeplearning.ai
开口组
Fast.ai 《程序员深度学习实战》
说到深度学习公开课，另一个与吴恩达《Deep Learning》并驾齐驱的公开课是Fast.ai出品的《程序员深度学习实战》，这个课程最大的特点是“自上而下”而不是“自下而上”。是一门通过实战深入学习的优秀课程。
视频地址
哔哩哔哩地址(英文字幕):
https://www.bilibili.com/video/av18904696 from=search seid=10813837536595120136
CSDN地址(2017中文字幕):
https://edu.csdn.net/course/detail/5192
课程笔记
英文原文注释：
https://medium . com/@ hiromi _ sue naga/deep-learning-2-part-1-lesson-1-602 f 73869197
ApacheCN组织的中文翻译：
https://github.com/apachecn/fastai-ml-dl-notes-zh
开口组
CS230深度学习
斯坦福的深度学习课程CS230在4月2日刚刚开课，相应的全套PPT也上线了。从内容上看，今年的课程和去年差别不大，涵盖了CNN、RNNS、LSTM、Adam、Dropout、Batch Norm、Xavier/He初始化等深度学习的基础模型，涉及医疗、自动驾驶、手语识别、音乐生成、自然语言处理。
Datawhale整理了本课程的详细介绍和参考资料(:)
吴恩达CS230深度学习已经开始！视频PPT应有尽有。
书
网络与深度学习——复旦大学邱希鹏
本书是入门深度学习领域的优秀教材。主要介绍基础知识、主要模型(前馈网络、卷积网络、环路网络等。)的神经网络和深度学习，及其在计算机视觉、自然语言处理等领域的应用。
复旦大学邱希鹏教授发表《神经网络与深度学习》
书
《深度学习》
完成以上学习后，如果想更系统地构建深度学习的知识体系，可以正确阅读《深度学习》。本书介绍了基础数学知识、机器学习经验以及目前深度学习的理论和发展，可以在三位专家学者的思维指导下，帮助人工智能技术的爱好者和从业者全面了解深度学习。
书籍介绍
《深度学习》，又名花书，是深度学习领域最经典的畅销书。由三位世界知名专家IanGoodfellow、YoshuaBengio和AaronCourville编写，是深度学习领域的基础性经典教材。该书被大众称为“AI圣经”。
在线阅读
该书由众多网友众包翻译，电子版可在以下地址获得：
https://github.com/exacity/deeplearningbook-chinese
书
《深度学习 500 问》
当你看完了所有的视频，研究了AI圣经，你一定满脑子都是问号。这个时候，不如深入研究面试中的500个常见问题。
书籍介绍
DeepLearning-500-questions，四川大学优秀毕业生谭继勇撰写。该项目以深度学习面试问答的形式收集了500个问题和答案。涵盖了概率论知识、线性代数、机器学习、深度学习、计算机视觉等一些热点问题。书还没写完，但是已经收获了Github 2.4w stars。
项目地址：
https://github.com/scutan90/DeepLearning-500-questions
工具
TensorFlow官方文档
深度学习一定离不开TensorFlow。
官方文件：
https://www.tensorflow.org/api_docs/python/tf
中文文档：
https://github.com/jikexueyuanwiki/tensorflow-zh
工具
PyTorch官方文件
PyTorch是深度学习的另一个主流框架。
官方文件：
https://pytorch.org/docs/stable/index.html
中文文档(0.3版):
https://github.com/apachecn/pytorch-doc-zh
深入研究
开口组
强化学习-大卫西尔弗
和吴恩达为机器学习和深度学习初学者开设的课程一样，大卫西尔弗的课程绝对是大多数人学习强化学习的必修课。
课程由浅入深，非常详细地讲解了强化学习的内容。但由于强化学习本身的难度，听这门课还是有一定门槛的。建议对这个领域有个大概的了解后再看这个视频比较好，更容易找到学习的重点。
视频地址
哔哩哔哩地址(中文字幕):
https://www.bilibili.com/video/av45357759 from=search seid=9547815852611563503
原始课程地址：
https://www.youtube.com/watch v=2pwv 7 govuf 0
课程材料
课程PPT:
http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
课程笔记：
https://www.zhihu.com/people/qqiang00/posts
开口组
李宏毅《深度强化学习》
大卫西尔弗的课程很详细，但是很多前沿的内容没有包括在内。此时台大李宏毅《深度强化学习》是学习前沿动态的最佳选择。
视频地址
哔哩哔哩地址(中文字幕):
https://www.bilibili.com/video/av24724071 from=search seid=9547815852611563503
原始课程地址：
https://www.youtube.com/watch v=2pwv 7 govuf 0
课程材料
课程PPT:
http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html
课程笔记：
https://blog.csdn.net/cindy_1102/article/details/87905272
颜倩纸业
一个
网站
Arxiv统计
Arxiv机器学习最新论文搜索主页地址：
https://arxiv.org/list/stat.ML/recent ref=bestofml.com
Arxiv理智保护者
Andrej Karpathy开发了Arxiv Sanity Preserver来帮助分类、搜索和过滤特征。
主页地址：
http://www.arxiv-sanity.com/ref=best of ml . com
2
带代码的文件
带代码的论文(浏览最新技术)
这个网站叫做Browse State-of-art，它将ArXiv上最新的深度学习论文与GitHub上的开源代码链接在一起。该项目目前包含651个排行榜，1016个深度学习任务，795个数据集，10257篇具有重复代码的优秀论文。这只是一个寻找文件和代码的利器。它将1016个深度学习任务分为16类，涉及深度学习的方方面面。
主页地址：
https://paperswithcode.com/sota
举两个例子：
简历：
https://paperswithcode.com/area/computer-vision
NLP:
https://paperswithcode.com/area/natural-language-processing
带代码的论文(按星号排序)
该资源收集了2013-2018年所有AI领域的论文，按照GitHub上的星数进行排序。
GitHub项目地址：
https://github.com/zziz/pwc
三
深度学习论文阅读路线
如果你是深度学习领域的新手，你可能遇到的第一个问题是“我应该从哪篇论文开始读？”下面是深入研究论文的阅读路线图！
GitHub项目地址：
https://github . com/flood sung/Deep-Learning-Papers-Reading-Roadmap
这篇深入研究论文的阅读路线分为三块：
1深度学习历史和基础
2深度学习法
3项应用
四
深度学习对象检测
目标检测是深度学习的核心研究领域和重要分支。整个2013年到2019年，从最早的
流程图
，快R-CNN到后来的YOLO v2，YOLO v3到今年的M2Det，新机型层出不穷，性能也越来越好！
该资源对近年来目标探测的发展及相关论文进行了系统的介绍，并总结了一个超级完整的论文列表。
GitHub项目地址：
https://github.com/hoya012/deep_learning_object_detection
五
著名会议
会议
neur IPS:https://nips.cc/
https://icml.cc/ICML
https://iclr.cc/ICLR
https://aaai.org/Conferences/AAAI-19/AAAI
ij Cai:https://www.ijcai.org/
http://www.auai.org/uai2019/index.php UAI
计算机视觉：
http://cvpr2019.thecvf.com/CVPR
https://eccv2018.org/program/main-conference/ECCV
http://iccv2019.thecvf.com/ICCV
自然语言处理：
ACL:http://www.aclcargo.com/
em NLP:https://www.aclweb.org/portal/content/emnlp-2018
纳克：https://naacl2019.org/
著名期刊：
https://www.jair.org/index.php/jair JAIR
http://www.jmlr.org/JMLR
其他的
机器人方面，有CoRL(学习)、ICAPS(规划，包括但不限于机器人)、ICRA、IROS、RSS；
更多的理论研究，还有艾斯塔茨、柯尔特和KDD。
理论应用
自然语言处理
一个
什么是NLP？
NLP(自然语言处理)是研究计算机处理人类语言的技术，旨在弥合人类交流(自然语言)和计算机理解(机器语言)之间的鸿沟。自然语言处理包括句法和语义分析、信息提取、文本挖掘，
机器翻译
、信息检索、问答系统
和对话系统。
2
课程推荐
CS224n斯坦福深度自然语言处理课程
17版中文字幕：
https://www.bilibili.com/video/av41393758/p=1
课程笔记：
http://www.hankcs.com/注释
2019版课程主页：
http://web.stanford.edu/class/cs224n/
自然语言处理-丹茹拉夫斯基和克里斯曼宁
哔哩哔哩的英文字幕版：
https://www.bilibili.com/video/av35805262/
学术洪流网络：
http://academic torrents . com/details/D2 c8 F8 f 1651740520 b 7 dfab 23438d 89 BC 8 c 0 c 0 ab
三
书籍推荐
Python自然语言处理
绪论，全书不仅涉及语料库的操作，还涉及传统的基于规则的方法。该书包括分词(标记化)、词性标注(POS)、组块标注、句法分析和语义分析等。这是一个很好的nlp实用教程。
自然语言处理综述
丹尼尔茹拉夫斯基和詹姆斯马丁
这本书很权威，是一本经典的NLP教材，内容涵盖经典自然语言处理、统计自然语言处理、语音识别和计算语言学。
统计自然语言处理基础
作者：克里斯曼宁和辛里奇
更高级的统计NLP方法在统计学基础部分和N-gram部分有很好的介绍。
四
博客推荐
我喜欢自然语言处理。
地址：http://www.52nlp.cn/
TFIDF、文档相似度等。都很容易在这个网站上解释。
语言博客(马克利伯曼)
地址：
http://languagelog.ldc.upenn.edu/nll/
自然语言处理博客
地址：https://nlpers.blogspot.com/
美国Hal Daum III维护的一个自然语言处理的博客，经常评论最新的学术动态，值得关注。有参加ACL、NAACL等学术会议的思考和对论文的评论。
五
项目推荐
基于LSTM的中文问答系统
https://github.com/S-H-Y-GitHub/QA
基于RNN的文本生成器
https://github.com/karpathy/char-rnn
基于char-rnn的汪峰歌词生成器
https://github.com/phunterlau/wangfeng-rnn
用RNN生成手写数字
https://github.com/skaae/lasagne-draw
六
开源NLP工具包
中文自然语言处理相关：https://github.com/crownpku/Awesome-Chinese-NLP
英语NLP相关：
nltk : http://www.nltk.org/
http://textblob.readthedocs.org/en/dev/text blob :
gensim : http://radimrehurek.com/gensim/
图案： http://www.clips.ua.ac.be/pattern
空间： http://空间. io
奥兰治： http://orange.biolab.si/features/
菠萝： https://github.com/proycon/pynlpl
七
相关论文
100篇必读的NLP论文
https://github.com/mhagiwara/100-nlp-papers
计算机视觉
一个
计算机视觉的应用
计算机视觉的应用
无人驾驶的
无人安保
面部识别
汽车牌照识别
搜索图片
虚拟现实/增强现实
三维重建
无人驾驶飞行器
医学图像分析
其他的
2
课程推荐
斯坦福CS223B
比较基础，适合初学者。相比深度学习的组合，会少一些。整个课程不会以深度学习为主，而是以计算机视觉为主，各个方面都会涉及到。
李菲菲：CS231n课程：
https://mp.weixin.qq.com/s/-NaDpXsxvu4DpXqVNXIAvQ
三
书籍推荐
1.介绍性研究：
《Computer Vision：Models, Learning and Inference》
2.经典权威参考资料：
《Computer Vision：Algorithms and Applications》
3.理论实践：
《OpenCV3编程入门》
推荐系统
一个
什么是推荐系统？
推荐系统是自动联系用户和商品的工具。它可以帮助用户在信息过载的环境中找到自己感兴趣的信息，也可以将信息推送给自己感兴趣的用户。推荐系统是信息过滤的一种应用。
2
推荐课程
推荐系统特别课程《Recommender Systems Specialization》
本系列由四个子课程和一门毕业设计课程组成，包括推荐系统概论、最近邻协同过滤、推荐系统评价、矩阵分解和高级技术。
查看地址：
https://www.coursera.org/specializations/recommender-systems
三
书籍推荐
《推荐系统实践》(条目已点亮)
《推荐系统》(迪特马尔詹纳希韦丁，范姜译)
《用户网络行为画像》(牛文佳等待)
《Recommender Systems Handbook》(保罗坎特在等着)
四
算法库
利布雷克
LibRec是推荐系统开源算法库的Java版本，涵盖了70多种推荐算法。由国内推荐系统郭桂兵创立，目前已经更新到2.0版本。它有效地解决了两个关键的推荐问题：评分预测和物品推荐。
地址https://github.com/guoguibing/librec :号
官方网站地址：https://www.librec.net/
LibMF
c版开源推荐系统，主要实现基于矩阵分解的推荐系统。针对并行计算中SGD(随机梯度下降)优化方法的锁定问题和内存不连续问题，提出了一种高效的矩阵分解算法FPSGD(快速并行SGD ),该算法根据计算节点数划分评分矩阵块，并分配计算节点。
项目地址：
http://www.csie.ntu.edu.tw/~cjlin/libmf/
惊喜
一个Python版本的开源推荐系统，有各种经典的推荐算法。
项目地址：http://surpriselib.com/
神经协同过滤
协同过滤推荐算法的Python实现
项目地址：
https://github.com/hexiangnan/neural_collaborative_filtering
螃蟹
基于Python开发的开源推荐软件，其中实现了项目和用户的协同过滤。
项目地址：http://muricoca.github.io/crab/
五
常用数据集
莫维伦
https://grouplens.org/datasets/movielens/
在MovieLens的数据集中，用户给看过的电影打分，1~5分。MovieLens包括两个不同大小的库，适用于不同大小的算法。小数据库是943个独立用户对1682部电影的10000个评分的数据；大规模数据库是6040个独立用户对3900部电影的大约100万个评级。适合传统的推荐任务。
豆瓣
https://www.cse.cuhk.edu.hk/irwin.king.new/pub/data/douban
豆瓣是豆瓣的匿名数据集，包含12万用户，5万条电影数据。它是用户对电影的评分信息和用户间的社交信息，适用于社交推荐任务。
图书交叉
http://www2.informatik.uni-freiburg.de/~cziegler/BX/
这个数据集是在线跨书图书社区的278，858个用户对271，379本书的评分，包括显性评分和隐性评分。这些用户的年龄等人口统计特征被匿名存储和分析。这个数据集是蔡-尼古拉斯齐格勒在2004年使用爬虫从图书交叉图书社区收集的。
六
推荐论文
经典必读论文，包括综述类文章、传统经典推荐类文章、社会化推荐类文章、基于深度学习的推荐系统类文章、致力于解决冷启动的文章、POI相关论文、利用hash技术加速推荐的文章、推荐系统对经典的挖掘利用。