深度学习、机器学习路线
来源：知乎
机器学习
个人学习经历：跟着吴恩达的Machine Learning视频课学习，课程是全英文的，学起来还算可以，没有实现视频中的课后作业，只过了一遍基础。
建议：
- 根据自身情况选择一个入门课，最好自己用代码实现课程中的作业，复现经典的算法，不会的参考网上的代码，对之后的学习很有用。
- 阶段性总结，思维导图画起来
- 不要纠结细节的东西，先有个全局认识，细节在之后需要用到再去补
吴恩达系列
全英文，根据自身数学基础情况选一个
基础课
进阶课
- 后续的课程在深度学习部分
网上说吴恩达的机器学习课程在SVM、决策树这些部分讲解得不是很清楚，林轩田的课程要讲得好一点，我个人也感觉当时听得有点迷糊，仅供参考！
台大林轩田系列
台湾腔中文讲解，看过一点，推荐这个的人也挺多
入门课
进阶课
其他
深度学习
个人学习经历：这部分没有系统地看视频，很后悔，当时是跟着《智能计算系统》这本书学的，自己在网上找代码跑，没有动手复现
建议：
① 跟着视频课系统地过一遍，一样的，切记不要纠结某些细节，有些东西在之后看论文的时候能解答你的疑惑；
② 要动手复现经典的网络模型，自己跑模型然后观察模型跑出来的结果和某些参数、网络结构对结果的影响；
③ 学一些可视化的工具(模型学习过程的可视化和结果的可视化)
吴恩达系列
李宏毅系列
斯坦福大学李飞飞教授的课程
-
- 课程每年都会更新，这是我当时收藏的一个
Stanford University CS231n: Convolutional Neural Networks for Visual Recognition
- 斯坦福课程主页
自然语言处理
这个没学过，欢迎补充
TensorFlow
个人学习经历：最开始接触的深度学习框架，没有看视频，跟着一本开源中文书学的，学得很迷。网上很多代码是v1版本的，现在最新的版本是v2，v2和v1的兼容性极其辣鸡，体验非常不好，这是谷歌的锅。后面看论文后发现很多开源的代码都是基于pytorch的，遂转到pytorch。
建议：
- 现在肯定是学习v2版本
- 有志于从事算法的同学，工业界tensorflow还是用得很多的
- 官方可视化工具：TensorBoard
视频课
- 【吴恩达团队Tensorflow2.0实践系列课程第一课】基于TensorFlow2.0的人工智能、机器学习和深度学习简介及基础编程_哔哩哔哩_bilibili
- TensorFlow官方入门实操课程_哔哩哔哩_bilibili
- 【最完整版】深度学习与TensorFlow2入门实战（附源码和课件）_哔哩哔哩_bilibili
- Relph1119/deeplearning-with-tensorflow-notes: 龙曲良《TensorFlow深度学习》学习笔记及代码，采用TensorFlow2.0.0版本 (github.com)
- 我当时跟着书学的，感觉一般，视频没看过，有一定的参考价值。
Pytorch
个人学习经历：没有系统学这个，因为之前学过TensorFlow，框架之间的用法大部分是相通的，直接上手改别人的代码。
建议：
- 两个主流框架选择其中一个，然后深入
- pytorch在学术界 用得很多，看论文之后就会发现这一点
- FaceBook的可视化工具：visdom
视频课
- 深度学习与PyTorch入门实战_哔哩哔哩_bilibili
- 只看过这一个，跟上面tensorflow的一个视频课的老师是同一个—龙良曲
训练实战
阿里云天池：天池大数据众智平台-数据科学家社区
kaggle：
硬件
- Kaggle 的 kernels：https://www.kaggle.com/kernels，每周免费使用 30 个小时；
- 谷歌的 Colab：https://colab.research.google.com/，每个会话有 12 个小时的限制，每周免费时长限制未知。
论文和代码
- https://arxiv.org/：免费获取最新论文的网站
- https://paperswithcode.com/sota：深度学习SOTA(State-Of-The-Art)论文，查找论文的开源代码；
- https://github.com/topics/computer-vision?l=python：可以在这找到代码实现的算法
- https://www.home-for-researchers.com/static/index.html#/: 科研工具
- https://www.arxivdaily.com/: 每日最新论文推荐
- http://www.paperweekly.site/home: 同上
网络结构
- AlexNet: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
- ZFNet: https://arxiv.org/abs/1311.2901
- VGG16: https://arxiv.org/abs/1505.06798
- ResNet: https://arxiv.org/abs/1704.06904
- GoogLeNet: https://arxiv.org/abs/1409.4842
- Inception: https://arxiv.org/abs/1512.00567
- Xception: https://arxiv.org/abs/1610.02357
- MobileNet: https://arxiv.org/abs/1704.04861
语义分割
- FCN: https://arxiv.org/abs/1411.4038
- SegNet: https://arxiv.org/abs/1511.00561
- UNet: https://arxiv.org/abs/1505.04597
- PSPNet: https://arxiv.org/abs/1612.01105
- DeepLab: https://arxiv.org/abs/1606.00915
- ICNet: https://arxiv.org/abs/1704.08545
- ENet: https://arxiv.org/abs/1606.02147
生成对抗网络（GAN)
- GAN: https://arxiv.org/abs/1406.2661
- DCGAN: https://arxiv.org/abs/1511.06434
- WGAN: https://arxiv.org/abs/1701.07875
- Pix2Pix: https://arxiv.org/abs/1611.07004
- CycleGAN: https://arxiv.org/abs/1703.10593
目标检测
- RCNN: https://arxiv.org/abs/1311.2524
- Fast-RCNN: https://arxiv.org/abs/1504.08083
- Faster-RCNN: https://arxiv.org/abs/1506.01497
- SSD: https://arxiv.org/abs/1512.02325
- YOLO: https://arxiv.org/abs/1506.02640
- YOLO9000: https://arxiv.org/abs/1612.08242
实例分割
- Mask-RCNN: https://arxiv.org/abs/1703.06870
- YOLACT: https://arxiv.org/abs/1904.02689
AI相关资源
- ML/DL学习笔记（基础+论文） (github.com)
- TensorFlow 最佳学习资源大全（含课程、书籍、博客、公开课等内容） (github.com)
- 机器学习资源大全中文版，包括机器学习领域的框架、库以及软件 (github.com)
- 深度学习入门教程, 优秀文章, Deep Learning Tutorial (github.com)
- 深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述 (github.com)
- 吴恩达老师的机器学习课程个人笔记 (github.com)
