Для новичка, только что вошедшего в область глубокого обучения и машинного обучения и столкнувшегося с таким количеством курсов и материалов, как выбрать правильные курсы и книги, чтобы начать путешествие по глубокому обучению, стало первой проблемой, с которой они столкнулись.
Это наш маршрут изучения ресурсов глубокого обучения и машинного обучения.
Этот путь обучения включает в себя некоторые высоко оцененные курсы, книги и статьи, и, изучив их, мы можем быстро войти в область машинного обучения и глубокого обучения. Может быть, какие-то курсы или книги сложнее, но они действительно стоят нашего серьезного изучения и прочтения.
Я буду продолжать добавлять контент в этот маршрут обучения. Если у вас есть рекомендованный контент, например новые курсы и учебные заметки, отправьте PR на этот github.
курс
СТАТИСТИКА 385 (теория глубокого обучения)
В последнее время глубокое обучение добилось больших успехов, в основном благодаря эмпирическим идеям. Но разум всегда хочет быть в состоянии объяснить эти важные изменения теоретически. В этом курсе мы постараемся создать теоретическую основу для глубокого обучения в качестве конечного результата.
cs234: обучение с подкреплением
Этот курс обеспечит прочное введение в область обучения с подкреплением, и студенты смогут изучить основные проблемы и методы. Изучая учебник и кодовую практику задания, учащийся может освоить навыки и основные идеи области обучения с подкреплением.
Глубокое обучение обработке естественного языка
Это продвинутый курс по обработке естественного языка, разработанный Филом Блансомом из Оксфордского университета и исследовательской группой DeepMind Natural Prediction.
Практическое глубокое обучение для программистов, части 1 и 2
Этот курс рассчитан на тех, кто имеет хотя бы год опыта программирования и помнит школьную математику. В первой части вы узнаете, как строить модели на самом высоком уровне, не требующем математики на уровне колледжа. Во второй части вы узнаете о последних разработках в области глубокого обучения, о том, как читать и применять академические статьи, а также о том, как решать сложные комплексные задачи, такие как нейронный машинный перевод.
Специализированный курс по глубокому обучению (deep learning.ai)
В этом спецкурсе 5 курсов, вы изучите основы глубокого обучения, поймете, как построить нейронную сеть, научитесь успешно выполнять проект машинного обучения. Этот спецкурс очень популярен, так как это профессор Ву Энда, курс Ву Энда в Coursera, машинное обучение тоже очень популярно.
CS 20SI: TensorFlow для исследований в области глубокого обучения
Этот курс будет охватывать основы и использование tensorflow в исследованиях глубокого обучения. Мы стремимся помочь учащимся понять вычислительные графы в тензорном потоке, изучить функции, которые он предоставляет, и научиться создавать структурированные модели, которые лучше всего подходят для проектов глубокого обучения. Благодаря этому курсу студенты узнают, как использовать тензорный поток для построения моделей различной сложности, от простейшей линейной/логистической регрессии до сверточных нейронных сетей, используя LSTM для построения рекуррентных нейронных сетей для решения таких задач, как встраивание слов, машинный перевод, оптика. такие задачи, как распознавание символов. Студенты получают лучший опыт, структурируя модели и управляя исследовательскими экспериментами.
Численная линейная алгебра
Этот курс в основном нацелен на решениеКак мы можем выполнять матричные вычисления быстрее и с большей точностью?
Этот курс является частью Летней программы научных вычислений Университета Сан-Франциско 2017 года.
Краеугольный камень машинного обучения — Линь Сюаньтянь
Этот курс обучает самым основным теоретическим алгоритмам и практическим инструментам машинного обучения. В области китайского машинного обучения этот курс имеет высокую оценку.
Методы машинного обучения — Линь Сюаньтянь
Этот курс является продолжением краеугольного камня машинного обучения, Он в основном знакомит с основами, проектированием и анализом алгоритмов машинного обучения, а также с некоторыми практическими применениями машинного обучения.
Обучение на данных
Этот курс познакомит вас с основными теориями, алгоритмами и приложениями в области машинного обучения. Курс уравновешивает теорию с практическими приложениями, охватывая некоторые математические выводы и эвристики.
Udacity: глубокое обучение
Мы узнаем, как обучать и оптимизировать базовые нейронные сети, сверточные нейронные сети и сети долговременной и кратковременной памяти. Мы также представим полную систему обучения в TensorFlow через проекты и задания, а также научимся решать новые и сложные проблемы, возникающие в ходе курса.Используя методы глубокого обучения для решения этих сложных проблем, мы также поймем сложный интеллект человеческого мозга лучше понимать.
cs229
Этот курс представляет собой широкое введение в машинное обучение и распознавание статистических образов и хорошо известен, потому что учителем является Эндрю Нг, профессор Стэнфордского университета.
Нейронные сети в машинном обучении
Этот курс позволяет нам узнать об искусственных нейронных сетях и понять, как их применять для машинного обучения, такого как распознавание речи, распознавание объектов, сегментация изображений, языковые модели и обнаружение движений человека. В дополнение к подчеркиванию основных алгоритмов также объясняются методы практического использования.
cs231n: сверточные нейронные сети в распознавании изображений
Этот курс будет углубляться в детали сверточной сетевой архитектуры, в основном изучая сквозные модели, особенно для задачи классификации изображений.
cs224n: глубокое обучение обработке естественного языка
Этот курс представляет собой полное введение в применение глубокого обучения для обработки естественного языка, В разделе моделей будут представлены представления векторов слов, нейронные сети на основе окон, рекуррентные нейронные сети и модели сети с долговременной краткосрочной памятью (LSTM). , рекуррентные нейронные сети, сверточные нейронные сети и, в последнее время, модели с компонентом памяти. Благодаря материалам курса и заданиям по программированию учащиеся могут освоить базовые инженерные навыки и научиться использовать нейронные сети для решения реальных задач.
Учебный курс Дэйва Сильвера по подкреплению
Введение в обучение с подкреплением от Дейва Сильвера, главного исследователя DeepMind, компании, разработавшей AlphaGo.
cs294: глубокое обучение с подкреплением
Курс Deep Reinforcement Learning, который читает профессор Университета Беркли Сергей.
выпуклая оптимизация
Такой класс предназначен в основном для того, чтобы студенты-выпускники могли понять основы проблемы оптимизации, улучшить понимание природы алгоритма. В основном целевые, хотя также будут представлены некоторые невыпуклые задачи оптимизации, а алгоритм оптимизации будет описан в статистическом и машинном обучении. После завершения этого курса студенты могут научиться решать задачи оптимизации.
Статистическое машинное обучение
Этот курс будет сочетать теоретические знания и практические методы, чтобы помочь студентам разработать подходящие инструменты для соответствующих методов в их собственных областях исследований, в основном включая статистическую теорию, которая очень важна в исследованиях машинного обучения, а также непараметрическую теорию, теорию единства, мин-макс. оценки и измерения концентрации.
вероятностная графическая модель
CMU преподает курс Эрика Сина «Введение в вероятностные графические модели».
MIT 5.S094: Глубокое обучение автономному вождению
Этот курс знакомит с применением алгоритмов глубокого обучения для разработки беспилотных автомобилей и открыт для начинающих. Хотя этот курс разработан для новичков в машинном обучении, он также полезен для некоторых продвинутых исследователей в области приложений и методов глубокого обучения.
CSE 599G1: Системы глубокого обучения
Исследования по созданию и оптимизации систем глубокого обучения сегодня являются очень активной областью как в академических кругах, так и в промышленности, однако единого курса, посвященного обучению этим знаниям, не существует. Этот курс призван заполнить эту пустоту. Мы изучим многие аспекты систем глубокого обучения, включая основы глубокого обучения, модели программирования для представлений машинного обучения, автоматическую дифференциацию, оптимизацию памяти, распределение, распределенное обучение, аппаратное ускорение, основные языки и развертывание моделей.
Такой курс читал Чен Тяньци, один из главных разработчиков MXNet, в Вашингтонском университете, и его стоит изучить.