ai怎么画路线分析图,AI的技术路线
基础知识
1.数学是学不完的，很少有人能把数学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
基础数学：线性代数
数学基础：概率论和数理统计
2.统计学导论教材：《深入浅出统计学》
高级教材：《商务与经济统计》
推荐视频：《统计学》
3.编程入门在人工智能领域，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。
下载地址添加链接描述：Anaconda (Python版本3.7)
IDE:推荐pycharm。请参考我上次的安装和激活教程。
2）python入门的资料推荐
廖雪峰python学习笔记python入门笔记，提取代码：2bzh。看完这三个资料，南京大学python视频教程基本达到入门水平，可以用scikit-learn等机器学习库来解决机器学习的问题。
3）补充
码numpy运动熊猫健身器学习机公开课：jzdzm 《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
中文视频在网易云课堂。
中文笔记和作业代码
公开课：jzdzm CS229
JZZZM在斯坦福教的机器学习课程CS229和JZZM在Coursera上教的《Machine Learning》差不多，但是数学要求和公式推导更多，难度稍微大一点。本课程广泛介绍了机器学习和统计模式识别。
课程主页
中文视频
中文笔记
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。
职务代码
要减肥的山水田 《机器学习基石》
台湾省立大学以减肥为目的的《机器学习基石》课程，内容比较全面，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《犹豫发带》的教学风格也非常幽默，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
中文笔记
公开课：要减肥的山水田 《机器学习技法》
《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
中文笔记
书籍： 《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
公式的推导
课后练习
书籍： 《Scikit-Learn 与 TensorFlow 机器学习实用指南》
经过之前的学习，这本《Scikit-Learn 与 TensorFlow 机器学习实用指南》的书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。
整本书代码
实战：Kaggle 比赛
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
卡格尔路线
工具：Scikit-Learn 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。
公文
中文文档(0.19)
学习深度公开课：jzdzm 《Deep Learning》
JZZZM开设机器学习课程后，发布的《Deep Learning》课程也是好评如潮。JZZZM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。
视频：网易云课堂
视频：Coursera
课程笔记
参考文件
公开课：Fast.ai 《程序员深度学习实战》
说到深度学习公开课，另一门与JZZZM《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》，这门课最大的特点是“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。
课程视频
课程笔记
公开课：CS230 Deep Learning
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：
JzdzmCS230深度学习
书籍：神经网络与深度学习 - 复旦邱锡鹏
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。
《神经网络与深度学习》
书籍： 《深度学习 500 问》
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、计算机视觉等一些常见的热点问题。书还没写完，但是已经收获了Github 2.4w stars。
项目地址
Papers with Code
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
Deep Learning Papers 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
Deep Learning Object Detection
目标检测是深度学习的核心研究领域和重要分支。从2013年到2019年，从最早的R-CNN、Fast R-CNN到后来的YOLO v2、YOLO v3再到今年的M2Det，新机型层出不穷，性能越来越好！
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
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。