请推荐一个人工智能学习路线图？
请推荐一个人工智能学习路线图？ 本文末尾附斯坦福大学人工智能本科4年课程清单和课程资源。一、数学基础
在系统的知识学习之前，我首先强烈强烈 推荐3Blue1Brown的相关视频，B站和油管上都有。特别是关于线性代数的本质，我看完后收获很大。
http://pica.zhimg.com/v2-2e06fd575762867b76ce63d2fc8350e0_r.jpg?source=1940ef5c
除此之外，我还推荐一本吴军博士编写的《数学之美》，这应该是将我引入AI专业的一本书，特别是激发了我对自然语言处理和信息论的兴趣。“数学之美”系列文章原刊载于谷歌黑板报，获得上百万次点击，得到读者高度评价。正式出版前，吴军博士几乎把所有文章都重写了一遍，为的是把高深的数学原理讲得更加通俗易懂，让非专业读者也能领略数学的魅力。
1、微积分
一般学校教授的内容基本就够了，重点要关注链式法则和多元函数求导。 书籍方面据说《托马斯微积分》、Stewart的《微积分》和《普林斯顿微积分读本》都不错，不过这些我没看过，不做评论。
2、线性代数
强烈推荐Gilbert Strang编写的线性代数教材，B站上有配套的MIT Strang公开课，质量非常高。 @梁唐 公众号coder梁上有个日拱一卒系列有MIT线代课的笔记
如果有数学专业背景或者想更深入地学习线性代数理论，可以参考《线性代数应该这样学》（《Linear Algebra Done Right》），我学习了这本书的部分章节，感觉部分内容和习题难度极大，不建议低年级工科生在上面花过多时间。
3、概率统计/随机过程
推荐中科大陈希孺编写的《概率论和数理统计》
4、离散数学
推荐黑皮书系列《离散数学及其应用》
还有 一本《具体数学》很不错，不过这属于扩展内容了
5、凸优化
推荐Boyd的《凸优化》，这本书国外也有配套的课程视频，但是初学者学习难度较大，要求比较高的线性代数基础。 除此之外，B站上中科大的凸优化课程也很好，学习难度比硬啃Boyd的《凸优化》要友好些。
二、计算机基础
1、计算机科学知识
计算机科学的一些概论性知识不建议去买大部头的黑皮书去看（比如计算机科学概论），平时通过一些博客去了解就行了。非著名程序员：推荐一套国外超棒的计算机科学视频课程 据说不错。
除此之外我还推荐吴军博士的《浪潮之巅》，emmm这本书更像是计算机相关企业发展史，我觉得读过还是有些帮助（当然更多是兴趣使然）。
伯克利的cs61a课程的内容和作业质量非常非常高，主要内容有函数式编程这些。不过对于初学者来说难度还是很大的，我大二暑假的时候学习了一遍，作业有不少题需要花时间和精力去思考。据说哈佛CS50也很好，难度应该比cs61a要低一些。
2、编程语言学习
人工智能需要学习的编程语言由python，C/C++/java。 编程语言的学习每个人有适合自己的方法，知乎上也有很多有深厚编程经验的同行介绍，这里就不再展开了。
C/C++推荐MOOC上浙大翁凯的课程，java推荐B站黑马程序员的java入门课程，python推荐《Python 编程，从入门到实践》或者https://www.runoob.com/python/python-tutorial.html。当然这些只是入门，除了看书籍/视频外更重要的是自己动手上手项目实战
3、数字逻辑电路/计算机组成原理
推荐MOOC上南京大学袁春凤的课程。对于大部分AI方向，这块儿没有很高的要求，掌握基础的知识就行了。
4、数据结构与算法
我当时用的资料是 算法第四版 这本书，内容很好，书里的代码用java写的，但是会C++的话看懂肯定没问题，coursera上有普林斯顿配套的课程，评分非常高。 当然，学算法光看书肯定是不够的，还要多做题，可以根据leetcode去训练。
5、操作系统
强烈推荐B站上哈工大李治军的操作系统。
除此之外想深入学习可以参考MIT的操作系统MIT6.828。
6、数据库
B站上东南大学徐立臻老师的课程很好，我是线下修了徐老师的数据库及其应用这门专业选修课，徐老师人真的很nice。 想学得深入一点可以看CMU15445，我后面如果抽出时间的话可能会出个CMU15445专栏笔记。
7、计算机网络
这门课国内外教学模式有些差别，有自顶而下的也有自底而上的。 我个人是推荐一本户根勤《网络是怎样连接的》，内容比较浅，但是脉络清晰而且很有意思。
8、信号与系统/数字图像处理
有些领域比如计算机视觉会需要这块儿的知识
信号与系统推荐东南大学孟桥老师的课程，B站上有。还有祖师爷奥本海姆古早的课程B站上也能找到。这门课经典教材就是祖师爷奥本海姆写的。
数字图像处理我没有系统学过，这里就不好为人师了，经典教材就是冈萨雷斯编写的图像处理
9、编译原理
没学过...本文末尾附上了斯坦福大学编译器这门课程的链接
三、人工智能
首先关于概念性的、入门的知识，可以快速看吴恩达的机器学习公开课。还有一本大部头的《Artificial Intelligence: A Modern Appoach》，我们学校人工智能导论这门课的参考书，是本很经典的书，不过太厚了，不适合新手读
1、机器学习
[*]李航《统计机器学习》， 读起来有困难的话B站上搜 机器学习白板推导，系列视频不错
[*]《机器学习实战》前半部分，介绍了使用scikit-learn去完成一些简单的机器学习任务
[*]李宏毅B站视频机器学习课程
[*]机器学习基础知识系统学过一遍，想更深入地学习，可以参考《Patten Recognition And Machine Learning》
2、深度学习
[*]邱希鹏《神经网络和深度学习》
[*]强烈推荐， B站 李沐的 动手深度学习 系列课程， 也有配套的电子书籍
[*]pytorch官方文档（我是用pytorch为主的）
3、自然语言处理
[*]基础知识的学习强烈推荐Stanford的 Speech and Language Processing， 我一年前开了个专栏记了点笔记，不过比较粗糙，供参考.
[*]实践方面，可以参考 @李rumor 的置顶问题。这里推荐一些入门代码练习https://github.com/graykode/nlp-tutorial、https://github.com/FudanNLP/nlp-beginner
[*]还有些比较热门常用技术，比如预训练模型、prompt等，需要参考相应的论文和文档资料，Transformer的学习可以参考我之前的文章。相关阅读论文参考NLP入门总结（论文篇）
[*]还有些比较经典课程比如CS224n，我没看过，这里不做评价
4、计算机视觉
cs231的课程，基于卷积神经网络的计算机视觉。 （CV我了解的不多qwq)
5、知识工程/知识图谱/知识表示和推理
入门的话强烈推荐@SimmerChan的专栏
知识图谱是非常难以系统地学习的。 可以先学习语义网的相关技术，比如RDF、RDFS/OWL、SPARQL等，比较好的书籍有《A Semantic Web Primer》（这本书要看原版，翻译版很烂，而且有难度，不适合初学者）。除此之外，需要掌握自然语言处理的相关工具。
之后知识图谱的学习又主要分为知识图谱构建和知识图谱应用，可以到github找相关的感兴趣的项目去跟着做一做
人工智能有广泛的领域和方向，我上面提到的也只是比较主流或者我仅仅了解的一些方向，有遗漏和建议的大家可以在评论区补充。
最后附上：
斯坦福大学——人工智能本科4年课程清单 现在无论是计算机专业还是其他的实体行业（机械、制造等等）对于人工智能的需求都还是蛮大的。所以现在也有很多人想入门人工智能，或者转行人工智能。其实人工智能是一个很大的方向，现在提到的人工智能基本上都默认以深度学习为主导的方法，但其实人工智能和深度学习的关系是：深度学习是机器学习的一个子集，机器学习是人工智能的一个子集。那么现在深度学习这么火，我就简单的出深度学习的角度来回答一下这个问题。
其实对于深度学习这个日新月异，每年爆发式更新模型的方向来说，学习路线的最尽头肯定是阅读你这个方向最新的论文，无论是科研人员还是已经走上工作岗位打算转行的打工人。阅读论文的来源一般是各种顶会（CVPR、ECCV、ICCV）、顶刊（TPAMI）。如果你嫌麻烦可以直接去谷歌学术或者arXiv上搜索你关注的内容，在搜索的时候最好把时间设定在最近几年。
说完学习路线的尽头，我们来看看入门的一些要求。对于入门深学习而言，你是必须掌握Python这门语言的，主要的原因是很多模型开源的代码都是基于Python实现的，而且目前针对深度学习的两个主流框架pytorch和TensorFlow都是支持Python开发的，也就是说深度学习的生态很大一部分是依赖Python的。所以说学习和掌握Python是入门深度学习必须的步骤，如果你不会也不用担心，入门Python还是非常简单的，目前知乎知学堂推出了一个基于Python的数据开发课程，如果你感兴趣的话可以购买学习一下，现在也不是很贵才一毛钱，以后可能就不好说了，所以直接买就完事了，也算是薅羊毛了。
好当你掌握了Python，那么下一步就是去学习一些基础的数学知识了，因为如果一点数学知识都不知道的话后面论文中的公式你可能都看不懂，更不用提推导复现模型了。但你也没必要害怕，主要的就是基本的线性代数知识，也就是本科大一下学期学的，以及一些高等数学中的微积分知识。因为深度学习说的通俗一点就是大量的线代中矩阵运算和微积分中偏微分用于梯度下降。
http://picx.zhimg.com/v2-04da0cdc7de2a9889a62d1e159e5b1ea_r.jpg?source=1940ef5c
人类之光
当你掌握Python编程和基本的线代知识以及微积分以后，你现在就可以去看看最基本的深度学习网络模型了。虽然说现在深度学习日新月异，但是目前的很多新模型都是基于这些基础模型上进一步创新和跨领域应用的。这些基本的模型不仅能带你理解深度学习，也能帮你打下坚实的基础，这对于你后面去理解新模型和创新是非常重要的。下面我就从计算机视觉（二维图片处理、三维点云数据处理）、自然语言处理列举几个最基本的模型。
深度学习网络基础知识：正向传播、梯度下降、反向传播、常见的几个LOSS函数（损失函数）
开山鼻祖：FCN网络（全连接神经网络）
http://pic1.zhimg.com/v2-aa81373a0724ef24ffa06d6c67c3b3ab_r.jpg?source=1940ef5c
一个简单的神经网络示意图
计算机视觉（2D图片任务）：
1.CNN（这个就不过多介绍了，已经是如雷贯耳了）
2.FCN（膨胀卷积，是分割任务中祖师爷般的存在）
3.RCNN系列（目标检测任务霸主，现在很多下游任务还是会把faster rcnn当做骨干网络）
计算机视觉（3D视觉点云或者体素任务）：
1.PointNet/PointNet++（在三维视觉中基于点数据流派的开山之作）
2.VoteNet（何凯明在三维目标检测的力作）
自然语言处理方向：
[*]RNN（这个模型年纪虽然可能比你都大（1982年）但这并不影响他在NLP领域的影响力）
[*]LSTM（1997年，是对RNN的一个改进版本）
[*]transform（这个不多说，现在真的是transform及其子孙模型大行其道的时代，光在自然语言领域卷还不够，现在都跑到计算机视觉领域来卷了）
当你读完上面论文，你就可以去专门的看你自己方向的论文了，希望我的回答对你有所帮助。 写在前面的话：
‘’人工智能学习路线‘’我想这是每个学习人工智能技术的伙伴都非常需要的东西，因为拥有一份专业且清晰度极高的学习路线图就相当于拥有了一份技术地图，可以非常高效的制定自己的学习计划。
今天我强烈给大家推荐一份连华为大神都推荐过的人工智能学习路线大纲。其风格运用原理学习+实战案例巩固的风格来制作，且全面覆盖AI领域，包括深度学习+计算机视觉+自然语言处理，且全是热门最新技术。
只要你认真看完本文章，我保证一定对你学习AI有非常大的帮助。
http://picx.zhimg.com/v2-6eacc761e792cccb71b1352e62aa14b5_r.jpg?source=1940ef5c
文章包含以下几大板块，大家可以选择性阅读：
[*]一、人工智能学习路线大纲展示和介绍
[*]二、我的学习秘籍“输入、思考、输出”（对你的学习思维一定有启发）
[*]三、分享下我的人工智能学习资料包（可以根据大纲找到合适的资料学习）
完整版的人工智能学习路线大纲PDF和泰罗在文末展示的人工智能学习资料包可以关注公众号【咕泡AI】输入暗号“99”即可获取，非常感谢你对泰罗的支持！一、人工智能学习路线大纲展示和介绍
A：AI必备基础与机器学习
第一模块：Python基础及其工具包实战
[*]01.Python快速入门
[*]02.科学计算库-Numpy
[*]03.数据分析处理库-Pandas
[*]04.可视化库-Matplotlib
[*]05.可视化库-Seaborn
http://picx.zhimg.com/v2-ba17b52320784c381b972f385ec3cd88_r.jpg?source=1940ef5c
Python必备工具包解读
http://pic1.zhimg.com/v2-68c7652851a9f90658e7a00db8ec5a15_r.jpg?source=1940ef5c
热度图效果实战
http://picx.zhimg.com/v2-98f076e0187911ae5fd7f12477b41c2f_r.jpg?source=1940ef5c
第二模块：人工智能必备数学基础
[*]01.高等数学
[*]02.微积分
[*]03.泰勒公式与拉格郎日
[*]04.线性代数基础
[*]05.特征图与矩阵分解
[*]06.随机变量
[*]07.概率论基础
[*]08.数据科学你得知道的几种分布
[*]09.核函数变换
[*]10.熵与激活函数
[*]11.回归分析
[*]12.假设检验
[*]13.相关分析
[*]14.方差分析
[*]15.聚类分析
[*]16.贝叶斯分析
http://picx.zhimg.com/v2-6a6b0b51be9e97f2fdf8e54a75109852_r.jpg?source=1940ef5c
代码演示数学知识点
http://pic1.zhimg.com/v2-418d3444d742aa536a98f79b687a633c_r.jpg?source=1940ef5c
应用效果分析
http://picx.zhimg.com/v2-c30c4ea5de51063ed6cea4ec29137bc6_r.jpg?source=1940ef5c
第三模块：机器学习算法精讲及其案例应用
[*]01.线性回归原理推导
[*]02.线性回归代码实现
[*]03.模型评估⽅法
[*]04.线性回归实验分析
[*]05.逻辑回归代码实现
[*]06.逻辑回归实验分析
[*]07.聚类算法-Kmeans&Dbscan原理
[*]08.Kmeans代码实现
[*]09.聚类算法实验分析
[*]10.决策树原理
[*]11.决策树代码实现
[*]12.决策树实验分析
[*]13.集成算法原理
[*]14.集成算法实验分析
[*]15.⽀持向量机原理推导
[*]16.⽀持向量机实验分析
[*]17.神经⽹络算法原理
[*]18.神经⽹络代码实现
[*]19.⻉叶斯算法原理
[*]20.⻉叶斯代码实现
[*]21.关联规则实战分析
[*]22.关联规则代码实现
[*]23.词向量word2vec通俗解读
[*]24.代码实现word2vec词向量模型
[*]25.推荐系统原理
[*]26.打造⾳乐推荐系统
[*]27.主成分分析
[*]28.线性判别分析
[*]29.主成分分析降维算法解读
[*]30.隐⻢尔科夫模型
[*]31.HIIM应⽤实例
http://pic1.zhimg.com/v2-3c27d092f59d210ae361890902d3b90d_r.jpg?source=1940ef5c
PCA降维效果分析
http://pic1.zhimg.com/v2-375c8532c4072ef939ddd9400b25ebcd_r.jpg?source=1940ef5c
机器学习模型效果展示
http://picx.zhimg.com/v2-cc792f4ebaf67804ac949a6900f6f3bf_r.jpg?source=1940ef5c
第四模块：机器学习&数据挖掘项目实战
机器学习
[*]01.Python实战关联规则
[*]02.爱彼迎数据集分析与建模
[*]03.基于相似度的酒店推荐系统
[*]04.商品销售额回归分析
[*]05.绝地求⽣数据集探索分析与建模
[*]06.机器学习-模型解释⽅法实战
[*]07.NLP常⽤⼯具包
[*]08.NLP核⼼模型-word2vec
[*]09.⾃然语⾔处理特征提取⽅式对⽐
[*]10.数据特征预处理
[*]11.银⾏客⼾还款可能性预测
[*]12.图像特征聚类分析实践
数据挖掘
[*]01.快⼿⽤⼾活跃度预测
[*]02.⼯业化⽣产预测
[*]03.智慧城市道路通⾏时间预测
[*]04.特征⼯程建模可解释⼯具包
[*]05.医学糖尿病数据命名实体识别
[*]06.贷款平台⻛控模型-特征⼯程
[*]07.新闻关键词抽取模型
[*]08.数据特征常⽤构建⽅法
[*]09.⽤电敏感客⼾分类
[*]10.机器学习项⽬实战模板
http://pic1.zhimg.com/v2-888bab25d8b8c9e559627119486e9e76_r.jpg?source=1940ef5c
词向量模型(1)
http://pic1.zhimg.com/v2-9bbb4dadf26641eccc23f21328d016ab_r.jpg?source=1940ef5c
关联规则实战（1）
http://pica.zhimg.com/v2-f064a7bea3dbf6161782b80ec94ec5d0_r.jpg?source=1940ef5c
第五模块：Python金融分析与量化交易实战
[*]01.Python基础
[*]02.Python基础
[*]03.Python基础
[*]04.Numpy
[*]05.Pandas
[*]06.⾦融时间序列分析
[*]07.双均线交易策略实例
[*]08.策略评估指标
[*]09.量化交易解读
[*]10.Ricequant回测选股分析实战
[*]11.因⼦数据预处理
[*]12.因⼦策略选股实例
[*]13.因⼦分析实战
[*]14.因⼦打分选股实例
[*]15.基于回归的策略分析
[*]16.聚类与统计策略分析
[*]17.Fbprophet时间测序预测神器
[*]18.深度学习时间序列预测
[*]19.Matplotlib⼯具包实战
[*]20.Seaborn
http://picx.zhimg.com/v2-0da09159107ca036edb6f65c2ca9293d_r.jpg?source=1940ef5c
核心知识点应用
http://picx.zhimg.com/v2-8462836484f3e4246e18ee273e328280_r.jpg?source=1940ef5c
回测平台效果
http://pic1.zhimg.com/v2-1a4ea46d2b7ab358661bf9817fa46b3e_r.jpg?source=1940ef5c
算法效果分析
http://picx.zhimg.com/v2-394ec9057efa4332f9b5035d5c0335ce_r.jpg?source=1940ef5c
B：计算机视觉算法及其项目实战
第一模块：深度学习入门算法
[*]01.神经⽹络整体架构
[*]02.卷积神经⽹络原理与参数解读
[*]03.递归神经⽹络与词向量原理解读
[*]04.深度学习必备基础知识点
http://pic1.zhimg.com/v2-1bdd351206f4050ce573e72b080f0efa_r.jpg?source=1940ef5c
核心知识点精讲
http://pic1.zhimg.com/v2-6ed3352229434e499d074cb77f3180c0_r.jpg?source=1940ef5c
深度学习应用领域分析
http://picx.zhimg.com/v2-10ffd7059df412f9cc28384c7c73d597_r.jpg?source=1940ef5c
第二模块：深度学习框架TensorFlow与PyTorch
深度学习框架TensorFlow
[*]01.tensorflow安装与简介
[*]02.神经⽹络原理解读与整体架构
[*]03.搭建神经⽹络进⾏分类与回归任务
[*]04.卷积神经⽹络原理与参数解读
[*]05.猫狗识别实战
[*]06.图像数据增强实例
[*]07.训练策略-迁移学习实战
[*]08.递归神经⽹络与词向量原理解读
[*]08.递归神经⽹络与词向量原理解读
[*]10.基于RNN模型进⾏⽂本分类任务
[*]11.将CNN⽹络应⽤于⽂本分类实战
[*]12.时间序列预测
[*]13.经典⽹络架构Resnet实战
深度学习框架PyTorch
[*]01.PyTorch框架基本处理操作
[*]02.神经⽹络实战分类与回归任务
[*]03.卷积神经⽹络原理与参数解读
[*]04.图像识别核⼼模块实战解读
[*]05.迁移学习的作⽤与应⽤实例
[*]06.递归神经⽹络与词向量原理解读
[*]07.新闻数据集⽂本分类实战
http://picx.zhimg.com/v2-58b9a439714e8b288e3a415f35da0e5c_r.jpg?source=1940ef5c
RNN⽂本分类
http://picx.zhimg.com/v2-969a4a3e772ae6e83be48923479d44fa_r.jpg?source=1940ef5c
GAN⽹络模型实战
http://pic1.zhimg.com/v2-76a60a6e44374750f54747af9f77c64e_r.jpg?source=1940ef5c
第三模块：OpenCV图像处理框架实战
[*]01.课程简介与环境配置
[*]02.图像基本操作
[*]03.阈值与平滑处理
[*]04.图像形态学操作
[*]05.图像梯度计算
[*]06.边缘检测
[*]07.图像⾦字塔与轮廓检测
[*]08.直⽅图与傅⾥叶变换
[*]09.信⽤卡数字识别
[*]10.⽂档扫描OCR识别
[*]11.图像特征-harris
[*]12.图像特征-sift
[*]13.全景图像拼接
[*]14.停⻋场⻋位识别
[*]15.答题卡识别判卷
[*]16.背景建模
[*]17.光流估计
[*]18.Opencv的DNN模块
[*]19.⽬标追踪
[*]20.卷积原理与操作
[*]21.疲劳检测
http://picx.zhimg.com/v2-3386568872cb9b423371b6606ed7ae63_r.jpg?source=1940ef5c
OpenCV工具实战
http://picx.zhimg.com/v2-633d62a242fc267bf9126704a7abb3ce_r.jpg?source=1940ef5c
停车场智能车位识别实战
http://picx.zhimg.com/v2-494446aa958a5cb4c174c81c86b4feba_r.jpg?source=1940ef5c
第四模块：综合项目-物体检测YOLO实战
[*]01.深度学习经典检测⽅法概述
[*]02.YOLO-V1整体思想与⽹络架构
[*]03.YOLO-V2改进细节详解
[*]04.YOLO-V3核⼼⽹络模型
[*]05.基于V3版本进⾏源码解读
[*]06.基于YOLO-V3训练⾃⼰的数据集与任务
[*]07.YOLO-V4版本算法解读
[*]08.V5版本项⽬配置
[*]09.V5项⽬⼯程源码解读
http://picx.zhimg.com/v2-daea6c393e64ee187049674b5251f3f4_r.jpg?source=1940ef5c
MaskRcnn项⽬解读
http://picx.zhimg.com/v2-48bcef88abf2b50f5cec10006ea46ff1_r.jpg?source=1940ef5c
第五模块：图像分割实战
[*]01.图像分割及其损失函数概述
[*]02.卷积神经⽹络原理与参数解读
[*]03.Unet系列算法讲解
[*]04.unet医学细胞分割实战
[*]05.U2NET显著性检测实战
[*]06.deeplab系列算法
[*]07.基于deeplabV3+版本进⾏VOC分割实战
[*]08.医学⼼脏视频数据集分割建模实战
http://pic1.zhimg.com/v2-3f80eed3aa1d0e4b977e38571667d906_r.jpg?source=1940ef5c
分割算法原理精讲
http://pic1.zhimg.com/v2-849c7ea0762c94872216e16e8f881578_r.jpg?source=1940ef5c
医学心房分割项目
http://pica.zhimg.com/v2-c7a3f16763ad6ba829c56aefaa5d4329_r.jpg?source=1940ef5c
第六模块：行为识别实战
[*]01.slowfast算法知识点通俗解读
[*]02.slowfast项⽬环境配置与配置⽂件
[*]03.slowfast源码详细解读
[*]04.基于3D卷积的视频分析与动作识别
[*]05.视频异常检测算法与元学习
[*]06.视频⼀场检测CVPR2021论⽂及其源码
http://picx.zhimg.com/v2-77be99b14edf1856cdbf19e1fb886872_r.jpg?source=1940ef5c
结合论文知识点解读
http://pic1.zhimg.com/v2-36a5f7c51178253bdbc664717606af90_r.jpg?source=1940ef5c
视频分类模型实战
http://picx.zhimg.com/v2-e76443be286edc2f5b36d1adcf7e4f8f_r.jpg?source=1940ef5c
第七模块：Transformer实战系列
[*]01.⾃然语⾔处理通⽤框架BERT原理解读
[*]02.Transformer在视觉中的应⽤VIT算法
[*]03.VIT算法模型源码解读
[*]04.swintransformer算法原理解析
[*]05.swintransformer源码解读
[*]06.基于Transformer的detr⽬标检测算法
[*]07.detr⽬标检测源码解读
[*]08.项⽬补充-⾕歌开源项⽬BERT源码解读与应⽤实例
[*]09.项⽬补充-基于BERT的中⽂情感分析实战
http://picx.zhimg.com/v2-54931873312c464d87a1a307ea76ceb7_r.jpg?source=1940ef5c
DETR目标检测
http://picx.zhimg.com/v2-2c39ba42c7e94ede6690291fa2239d6f_r.jpg?source=1940ef5c
注意力机制的作用分析
http://picx.zhimg.com/v2-55b48613880cd3eeeb7548b60d7948ed_r.jpg?source=1940ef5c
第八模块：3D点云实战
[*]01.3D点云应⽤领域分析
[*]02.3D点云PointNet算法
[*]03.PointNet++算法解读
[*]04.Pointnet++项⽬实战
[*]05.点云补全PF-Net论⽂解读
[*]06.点云补全实战解读
[*]07.点云配准及其案例实战
http://pic1.zhimg.com/v2-c292216e131fbb2b744f97e175424939_r.jpg?source=1940ef5c
pointnet++
http://picx.zhimg.com/v2-4aab2794e95b652bb29e607a78ca0568_r.jpg?source=1940ef5c
点云补全
http://picx.zhimg.com/v2-f9958a3603d4cba320ae8560d6f55b66_r.jpg?source=1940ef5c
第九模块：目标追踪与姿态估计实战
[*]01.姿态估计OpenPose系列算法解读
[*]02.OpenPose算法源码分析
[*]03.deepsort算法知识点解读
[*]04.deepsort源码解读
[*]05.YOLO-V4版本算法解读
[*]06.V5版本项⽬配置
[*]07.V5项⽬⼯程源码解读
http://picx.zhimg.com/v2-324daee1b2cc13751296100476099c4d_r.jpg?source=1940ef5c
核心知识点通俗解读
http://picx.zhimg.com/v2-e59aa1f778161c363ea5dd6ddc42a7e3_r.jpg?source=1940ef5c
姿态估计项⽬实战
http://picx.zhimg.com/v2-4a9fe8f1d223a3585c2241914584e904_r.jpg?source=1940ef5c
第十模块：面向交通驾驶领域的深度学习实战
[*]01.深度估计算法及其原理解读
[*]02.深度估计项⽬实战源码解读
[*]03.⻋道线检测论⽂及其算法实现
[*]04.基于深度学习的⻋道线检测项⽬实战
[*]05.特征点匹配⽅法原理与论⽂分析
[*]06.商汤最新特征点匹配算法实战
[*]07.三维重建算法原理分析
[*]08.TSDF⽅法应⽤与解读
[*]09.商汤最新三维重建项⽬原理与源码解读
[*]10.⼈体三维重建项⽬实战
http://picx.zhimg.com/v2-fcf6f056762617c6527284334abc06b5_r.jpg?source=1940ef5c
TSDF项目实战
http://picx.zhimg.com/v2-7bdb79a49b6b9ae4a895b31db0bd4884_r.jpg?source=1940ef5c
车道线检测项目实战
http://pica.zhimg.com/v2-2b0dfff9306e27fbec4f6955277bcd54_r.jpg?source=1940ef5c
第十一模块：缺陷检测实战
[*]01.物体检测框架YOLO-V4版本算法解读
[*]02.物体检测框架YOLO-V5版本项⽬配置
[*]03.物体检测框架YOLO-V5项⽬⼯程源码解读
[*]04.基于YOLOV5的钢材缺陷检测实战
[*]06.Opnecv图像常⽤处理⽅法实例
[*]07.Opnecv梯度计算与边缘检测实例
[*]08.Opnecv轮廓检测与直⽅图
[*]09.基于Opnecv缺陷检测项⽬实战
[*]10.基于视频流⽔线的Opnecv
[*]11.图像分割deeplab系列算法
[*]12.基于deeplabV3+版本进⾏VOC分割实战
[*]13.Deeplab铁质材料缺陷检测与开源项⽬应⽤流程
http://picx.zhimg.com/v2-b8561f62d74a842fef579a98834df610_r.jpg?source=1940ef5c
OpenCV缺陷检测
http://picx.zhimg.com/v2-1f4c65f22165ff6b38e963859ed03f97_r.jpg?source=1940ef5c
YOLO-V5钢材缺陷检测
http://pica.zhimg.com/v2-b2d9849c00f35a6ba6b99ab12eeb29b0_r.jpg?source=1940ef5c
第十二模块：行人重识别实战
[*]01.⾏⼈重识别原理及其应⽤
[*]02.基于注意⼒机制的ReId模型论⽂解读
[*]03.基于Attention的⾏⼈重识别项⽬实战
[*]04.AAAI2020顶会算法精讲
[*]05.基于⾏⼈局部特征融合的再识别实战
[*]06.旷视研究院最新算法解读（基于图模型）
[*]07.基于拓扑图的⾏⼈重识别项⽬实战
http://picx.zhimg.com/v2-61f07c467298fc2a47364a645b04481f_r.jpg?source=1940ef5c
REID数据源分析
http://picx.zhimg.com/v2-aeda7d2adc648fa0b447b0a2b29d88d0_r.jpg?source=1940ef5c
行人重识系统
http://pic1.zhimg.com/v2-489c03fb8e3b599833a9d572c9a7779d_r.jpg?source=1940ef5c
第十三模块：对抗生成网络实战
[*]01.对抗⽣成⽹络架构原理与实战解析
[*]02.基于CycleGan开源项⽬实战图像合成
[*]03.stargan论⽂架构解析
[*]04.stargan项⽬实战及其源码解读
[*]05.基于starganvc2的变声器论⽂原理解读
[*]06.starganvc2变声器项⽬实战及其源码解读
[*]07.图像超分辨率重构实战
[*]08.基于GAN的图像补全实战
[*]09.基础补充-PyTorch卷积模型实例
[*]10.基础补充-Tensorflow2版本卷积模型实例
http://pica.zhimg.com/v2-a18964cbf8215a8ba5794e7ba4b78c5d_r.jpg?source=1940ef5c
GAN模型数据集分析
http://pic1.zhimg.com/v2-da800bf476330e49b5e8e683430d5a34_r.jpg?source=1940ef5c
超分辨率重构
http://picx.zhimg.com/v2-c802cc80dcef13c6ec6cb2cb2001f738_r.jpg?source=1940ef5c
第十四模块：强化学习实战系列
[*]01.强化学习简介及其应⽤
[*]02.PPO算法与公式推导
[*]03.PPO实战-⽉球登陆器训练实例
[*]04.Q-learning与DQN算法
[*]05.DQN算法实例演⽰
[*]06.DQN改进与应⽤技巧
[*]07.Actor-Critic算法分析(A3C)
[*]08.⽤A3C玩转超级⻢⾥奥
http://pic1.zhimg.com/v2-9adf10104e07188eef35d71d6c6200b3_r.jpg?source=1940ef5c
强化学习建模展示
http://pica.zhimg.com/v2-0dfda23d3f3485525d8d31aa3601d106_r.jpg?source=1940ef5c
强化学习应用实例
http://picx.zhimg.com/v2-8ebd0fb4e484aaef1468ff710636f502_r.jpg?source=1940ef5c
第十五模块：面向医学领域的深度学习实战
[*]01.卷积神经⽹络原理与参数解读
[*]02.PyTorch框架基本处理操作
[*]03.PyTorch框架必备核⼼模块解读
[*]04.基于Resnet的医学数据集分类实战
[*]05.图像分割及其损失函数概述
[*]06.Unet系列算法讲解
[*]07.Unet医学细胞分割实战
[*]08.deeplab系列算法
[*]09.基于deeplabV3+版本进⾏VOC分割实战
[*]10.基于deeplab的⼼脏视频数据诊断分析
[*]11.YOLO系列物体检测算法原理解读
[*]12.基于YOLO5细胞检测实战
[*]13.知识图谱原理解读
[*]14.Neo4j数据库实战
[*]15.基于知识图谱的医药问答系统实战
[*]16.词向量模型与RNN⽹络架构
[*]17.医学糖尿病数据命名实体识别
http://picx.zhimg.com/v2-5fd81590ffdf8e6019fefc8ccbb40b09_r.jpg?source=1940ef5c
算法模型解读
http://pic1.zhimg.com/v2-b16862794d9aa10dcf0ed7737b2ea7ac_r.jpg?source=1940ef5c
细胞检测实战
http://picx.zhimg.com/v2-8889be62acbfff2ef28a9862728c5e3c_r.jpg?source=1940ef5c
第十六模块：模型部署与剪枝优化
[*]01.PyTorch框架部署实践
[*]02.YOLO-V3物体检测部署实例
[*]03.docker实例演⽰
[*]04.tensorflow-serving实战
[*]05.模型减枝-Network?Slimming算法分析
[*]06.模型减枝-Network?Slimming实战解读
[*]07.Mobilenet三代⽹络模型架构
[*]08.基础补充-PyTorch卷积模型实例
[*]09.基础补充-Tensorflow2版本卷积模型实例
http://pic1.zhimg.com/v2-eee24efac673724df74d06c4a2251de4_r.jpg?source=1940ef5c
Docker应用实战
http://picx.zhimg.com/v2-c068b182bb6ce43c2458b7dd499bdbeb_r.jpg?source=1940ef5c
模型应用案例
http://picx.zhimg.com/v2-fad35b61c5a67a88c3e715edf11cd7ef_r.jpg?source=1940ef5c
C：自然语言处理算法及其项目实战
第一模块：自然语言处理经典案例实战
[*]01.NLP常⽤⼯具包实战
[*]02.商品信息可视化与⽂本分析
[*]03.⻉叶斯算法
[*]04.新闻分类任务实战
[*]05.HMM隐⻢尔科夫模型
[*]06.HMM⼯具包实战
[*]07.语⾔模型
[*]08.使⽤Gemsim构建词向量
[*]09.基于word2vec的分类任务
[*]10.NLP-⽂本特征⽅法对⽐
[*]11.NLP-相似度模型
[*]12.LSTM情感分析
[*]13.机器⼈写唐诗
[*]14.对话机器⼈
http://pic1.zhimg.com/v2-7dacfe234893529978ca4cc8bf251a37_r.jpg?source=1940ef5c
HMM中文分词
http://picx.zhimg.com/v2-8aa43f4b60772a6b1a5e715d10bdc091_r.jpg?source=1940ef5c
RNN文本分类
http://pic1.zhimg.com/v2-ce2f5c9d123aa08d9eb495c8857af50e_r.jpg?source=1940ef5c
第二模块：自然语言处理通用框架-BERT实战
[*]01.⾃然语⾔处理通⽤框架BERT原理解读
[*]02.⾕歌开源项⽬BERT源码解读与应⽤实例
[*]03.项⽬实战-基于BERT的中⽂情感分析实战
[*]04.项⽬实战-基于BERT的中⽂命名实体识别实战
[*]05.必备基知识点-word2vec模型通俗解读
[*]06.必备基础-掌握Tensorflow如何实现word2vec模型
[*]07.必备基础知识点-RNN⽹络架构与情感分析应⽤实例
[*]08.医学糖尿病数据命名实体识别
http://picx.zhimg.com/v2-d1aecbd220f3c6492281ea83269f3548_r.jpg?source=1940ef5c
BERT整体框架分析
http://picx.zhimg.com/v2-b03dca67536c7861abfc2ee6f3a383d9_r.jpg?source=1940ef5c
任务应用
http://picx.zhimg.com/v2-a7e75e6be98d924dc05b5c2db92d5c72_r.jpg?source=1940ef5c
第三模块：知识图谱实战系列
[*]01.知识图谱介绍及其应⽤领域分析
[*]02.知识图谱涉及技术点分析
[*]03.Neo4j数据库实战
[*]04.使⽤python操作neo4j实例
[*]05.基于知识图谱的医药问答系统实战
[*]06.⽂本关系抽取实践
[*]07.⾦融平台⻛控模型实践
[*]08.医学糖尿病数据命名实体识别
http://pica.zhimg.com/v2-748acf4158ddc7accfe3dcc4e62a4a91_r.jpg?source=1940ef5c
图模型网络
http://picx.zhimg.com/v2-ec06161fb20138d748ce8ec3f5b40bbf_r.jpg?source=1940ef5c
知识图谱模型构建
http://picx.zhimg.com/v2-6da7525e56020b7703ba3821b114f1be_r.jpg?source=1940ef5c
第四模块：语音识别实战系列
[*]01.seq2seq序列⽹络模型
[*]02.LAS模型语⾳识别实战
[*]03.starganvc2变声器论⽂原理解读
[*]04.starganvc2变声器源码实战
[*]05.语⾳分离ConvTasnet模型
[*]06.ConvTasnet语⾳分离实战
[*]07.语⾳合成tacotron最新版实战
http://pic1.zhimg.com/v2-998d2b54615a3d47302ae0c7161989d7_r.jpg?source=1940ef5c
不同模型对比分析
http://pica.zhimg.com/v2-e21369a2a725aa720f1c51defc5f59c8_r.jpg?source=1940ef5c
整体网络架构分析
http://pica.zhimg.com/v2-68b49d6cce1b1adb51840f4109aa57f1_r.jpg?source=1940ef5c
第五模块：推荐系统实战系列
[*]01.推荐系统介绍及其应⽤
[*]02.协同过滤与矩阵分解
[*]03.⾳乐推荐系统实战
[*]04.知识图谱与Neo4j数据库实例
[*]05.基于知识图谱的电影推荐实战
[*]06.点击率估计FM与DeepFM算法
[*]07.DeepFM算法实战
[*]08.推荐系统常⽤⼯具包演⽰
[*]09.基于⽂本数据的推荐实例
[*]10.基于统计分析的电影推荐
[*]11.基于相似度的酒店推荐系统
http://picx.zhimg.com/v2-85fdd7b8dec1c8c1f767f8b70fab80fb_r.jpg?source=1940ef5c
DeepFM
http://picx.zhimg.com/v2-f929f510cf41efb109dbb3fe961ac654_r.jpg?source=1940ef5c
知识图谱推荐
http://pic1.zhimg.com/v2-4ed4a4f503d55312e5cdf668538a0730_r.jpg?source=1940ef5c
整个学习路线大纲在这里就算是介绍完了，总得来说确实是一份很完美的人工智能学习路线。
二、我的学习秘籍“输入、思考、输出”
http://picx.zhimg.com/v2-6e0c9808378b4a557f5459025784667b_r.jpg?source=1940ef5c
之前我的学习效果是非常低效的，不单单学习速度慢，更主要的是掌握的深度还浅。我个人觉得这是非常危险的学习效应！
通过这么多年我对于学习方法的打磨，现在的我能够快速且深度的掌握一门技能，其核心逻辑就是“输入、思考、输出”。
输入：顾名思义，也就是我们对于知识的摄取，因为有输入才会有所输出，有输出才会有所结果。
但是需要注意三个核心要点：1.要有足够数量的知识摄入（足够多才能保证你的知识储备充足）、2.注意知识摄入的质量（含金量低的知识尽量避免）、3.提高你的输入效果（我们要学会记录要点和带着目标去思考）。
思考：这是我觉得最为重要的一点，我觉得每一门技能应该是感性的，大家想想，如果我们对于现有的知识不加以深度思考，怎么会创造出更为先进的技术呢？
那该怎么锻炼自己的思考能力呢？其一：习惯性的追寻事物的本质，当你发现一种新型的技术或者事物时，应该去思索和寻找它的底层逻辑，它的背景是什么？它是怎么创造出来的？
其二：习惯性建立知识的链接，当我们掌握一种新技能或者新的观点时，别人只能看到这一个点，而你要学会尝试与你其他的知识进行链接，或许它们就会发生质的效果。别人只能看到一点，而你可以通过一个点散发出许多要点。
其三：高频的去运用你所学的知识，一切你不学会去运用的知识都不算是你的知识，当你掌握一门新的技能时，你要思考怎么去运用它为你带来效益。
输出：输出也就是前两步产生的结果，你要学会运用输入的知识以及对于知识的思考，建立属于自己的输出流程，并且不断地优化，从而让自己产出最为优质的结果。
示例：
最近我迷上了视频剪辑，目前在学习中，这是我做的学习计划，大家可以借鉴借鉴。
http://pic1.zhimg.com/v2-bc7644adc9ebb6f9637cbd68a0324c1f_r.jpg?source=1940ef5c
三、分享下我的人工智能学习资料包
我知道光有学习路线是不够的，还需要对应的学习资料来进行学习，这是我积攒很久的人工智能学习资料包，一直放在网盘，大家需要的话可以关注公众号【咕泡AI】输入暗号“99”即可获取！
这份人工智能学习路线大纲完整版PDF也放在里面了。
http://pic1.zhimg.com/v2-06c5d2fe836fedef2dffda201bf3c7e8_r.jpg?source=1940ef5c
http://pic1.zhimg.com/v2-e3940b304bca74995ef94a68c29ad6e2_r.jpg?source=1940ef5c
人工智能学习资料包大纲（想知道资料包有什么就看它）
[*]【第①部分】超详细的人工智能学习路线
[*]【第②部分】人工智能必看书籍（AI宝藏电子书这里都有）
[*]【第③部分】60份人工智能行业报告（想了解人工智能行业前景就看这！）
[*]【第④部分】人工智能快速入门视频教程合集（Python基础、数学基础、机器学习、深度学习）
[*]【第⑤部分】计算机视觉应用项目及其源码（企业级项目实战）
[*]【第⑥部分】自然语言处理应用项目及其源码
[*]【第⑦部分】人工智能论文大合集
[*]【第⑧部分】人工智能学习资源网站整理（找论文、找代码、找AI大佬前辈必备）
[*]【第⑨部分】国内外优质学习资源大整合（再也不用自己到处搜刮资料了）
http://picx.zhimg.com/v2-3a457205194cec7d56098e99a4d78b3a_r.jpg?source=1940ef5c
努力就一定会有好的结果，而你的努力会带来类蝴蝶效应，你会发现无论是工作还是生活都在慢慢变好。
没有绝对的天才，只有持续不断的付出。没有人是一蹴而成的，作为大部分普通人中的一员，我们要踏踏实实的走好每一步。
最后，如果觉得本文章对你有所帮助，记得支持下泰罗！ 本人现在也正在学习研究人工智能和机器学习。网上看了许多大神的回答还有建议，综合各大神的回答总结了机器学习从入门到‘放弃’的路线，以备享用：
1）吴恩达《机器学习》
吴恩达自然不用说了，人工智能领域的大牛，世界上人工智能最有权威的学者之一。他讲的课自然是很牛逼的，是人工智能入门的不二之选。
这门课基本涵盖了机器学习的主要知识点，例如：线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等等。而且课程中没有复杂的公式推导和理论分析。Ng 的目的是让机器学习初学者能够快速对整个机器学习知识点有比较整体的认识，便于快速入门。
课程地址如下：
吴恩达机器学习 - 网易云课堂这门课也都有作业，可以去自己编程完成。不过以前吴恩达是用octave编程的，但是现在基本都不用octave了，所以GitHub上面有许多大佬把他改成Python编程了，具体可以去GitHub搜就可以。
2）台大林轩田《机器学习基石》
台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。
附上这门课的B站资源：
https://www.bilibili.com/video/av12463015?from=search&seid=162885655845148783783）台大林轩田《机器学习技法》
《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。
附上这门课的B站视频：
https://www.bilibili.com/video/av36760800学完上面这几门课的话应该可以说是入门了，至少对机器学习人工智能有个比较好的理解。人工智能对于数学特别是线性代数有比较高的要求，毕竟编程的时候会有许多矩阵分析、矩阵变换等，所以要对线性代数有个详细的了解和学习。
4）Gilbert Strang主讲的线性代数
这门课由麻省理工学院的Gilbert Strang主讲，看下百度百科就知道了，他是个很牛逼的人物。以下是百度百科的介绍：
William Gilbert Strang（威廉·吉尔伯特·斯特朗），1934年11月27日于芝加哥出生，是美国享有盛誉的数学家，在有限元理论、变分法、小波分析及线性代数方面均有所建树。他对教育的贡献尤为卓著，包括所著有的七部经典数学教材及一部专著。斯特朗自1962年至今担任麻省理工学院教授，其所授课程《线性代数导论》、《计算科学与工程》均在麻省理工学院开放式课程计划（MIT Open Course Ware）中收录，并获得广泛好评。
而且相对于国内的线性代数的讲授，Gilbert Strang教授讲的更加有趣，更加深入浅出，不仅仅是死记硬背那些公式，而是从源头上去理解公式是怎么来的，一听他的课你就会豁然开朗而且想一直听下去。你会觉得以前学的线性代数白学了。。下面是网易云课堂课程的链接：
网易公开课5）李沐的《动手深度学习》
《动手学深度学习》这本书由亚马逊首席科学家李沐，亚马逊应用科学家阿斯顿·张等大师合作打造，沉淀三年完成。本书采用交互式的学习方法，不但讲授了深度学习算法原理，还给出了代码运行与实现，让你在手调代码的同时理解消化知识。
全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习最基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
个人觉得学深度学习只要有这本书基本就可以啦，而且有课程有jupyter notebook，非常好，相见恨晚。附上链接可以下载jupyter notebook：
《动手学深度学习》：面向中文读者、能运行、可讨论B站视频：
https://www.bilibili.com/video/av14327359由于现在mxnet比较少人用，所以有大神把这本书里面的代码转化为主流框架Tensorflow和Pytorch，适合读者从零开始学习这两种框架。
tensorflow2.0版本
https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0Pytorch版本
https://github.com/ShusenTang/Dive-into-DL-PyTorch学完上述课程之后就可以细分领域了，什么NLP、计算机视觉、强化学习等，可以根据自己的领域去找一些视频教程。下面是计算机视觉的一些教程。
6）斯坦福大学的李飞飞的CS231n计算机视觉识别
李飞飞也是华人之光，可以跟吴恩达媲美的人工智能大牛，她主讲的计算机识别也是计算机视觉很好的入门课程，下面附上B站视频：
哔哩哔哩 (゜-゜)つロ 干杯~-bilibili7）李宏毅的《深度学习》
台大教授李宏毅的深度学习讲的也不错，也可以看看，作为一个补充。下面是B站课程链接：
https://www.bilibili.com/video/av48285039/?p=18）周志华《机器学习》西瓜书
http://pica.zhimg.com/v2-33c9b34361174e0ed4c57f7fd58185bc_r.jpg?source=1940ef5c周志华老师的《机器学习》，自2016年1月底出版以来，首印5000册一周售罄，并在8个月内重印9次，累计72000册。先后登上了亚马逊，京东，当当网等的计算机类畅销书榜首。
西瓜书身边学习机器学习的小伙伴可谓是人手一本。
针对西瓜书部分公式推倒太难的问题，GitHub上有个开源项目，由开源组织Datawhale发起，得到了周志华老师的认同，下面是GitHub链接：
datawhalechina/pumpkin-book9） Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow
http://picx.zhimg.com/50/v2-7e80657981f635c8672bf6a9756d3dfb_720w.jpg?source=1940ef5c
最新出版的，结合新出的TensorFlow2代码来写，这本书通过具体的例子、很少的理论以及两款成熟的Python框架：Scikit-Learn和TensorFlow2，作者Aurélien Géron会帮助你掌握构建智能系统所需要的概念和工具。你将会学习到各种技术，从简单的线性回归及发展到深度神经网络。每章的练习有助于你运用所学到的知识，你只需要有一些编程经验就行了。书中的代码也开源了：
ageron/handson-ml2
10）李航《统计学习方法》
http://pica.zhimg.com/50/v2-79cadc7ee9117a115a59ef115b701c90_720w.jpg?source=1940ef5c本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场等。每章介绍一种方法，叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。
github上有个项目，将《统计学习方法》中每一章的算法用python实现一遍，下面附上链接：
<a data-draft-node="block" data-draft-type="link-card" href="http://link.zhihu.com/?target=https%3A//github.com/WenDesi/lihang_book_algorithm" data-image="http://pic3.zhimg.com/v2-bdff9bf6ae011cc22c065ddd23b7a6a2_ipico.jpg" data-image-width="240" data-image-height="240" class=" wrap external" target="_blank" rel="nofollow noreferrer">WenDesi/lihang_book_algorithm
上面的课程和书籍你要是看完了，恭喜你已经可以算得上是大牛啦！本人现在也正在研究学习这些内容，有一起学习的小伙伴也可以一起学习呀！ http://pic1.zhimg.com/v2-8b04444c0088fea1efa9778f0dfc2dbb_r.jpg?source=1940ef5c
整理了张脑图，大致就是人工智能的各个方面。
（各位对人工智能感兴趣的小伙伴可以关注公众号“机器工匠”，阅读更多人工智能技术、资讯类文章）
页:
[1]