這指南不是一個關於：
- 一般的機器學習
- 大數據處裡
- 資料科學
- 深度強化學習
準備
你必須了解一般大學程度的數學。你必須複習深度學習這本書的最初幾章的觀念：
- Justin Johnson的 Python / NumPy / SciPy / Matplotlib 史丹佛教學
- Scipy 講義筆記(英文版) - 包含一般使用函式庫的細節，與介紹更多深入的主題
- Scipy 講義筆記(中文版)
當你熟悉了準備的材料，我們建議四個選項來學深度學習。選擇任一個，或是任幾個組合來做學習。星號的數量指出該材料的難度。
- Hugo Larochelle的YouTube視頻教學。該視頻錄製於2013年，但是有很多內容是很新穎的。對於神經網路背後的數學有很詳細的介紹。投影片與相關的資料可做參考。 ★★
- Stanford的 CS231n 由Fei-Fei Li, Andrej Karpathy 與 Justin Johnson講解。這個課程面向圖像處裡，但也包含很多深度學習的觀念。視頻(2016)與講義筆記可做參考。★★
- Michael Nielsen的神經網路線上書籍， 神經網路與深度學習(中文版) , 深度學習是學習神經網路的一個簡單的方式。它沒有包含所有重要的主題，但是包含直觀的解釋與程式碼，用來解說基本的觀念。 ★
- 深度學習，深度學習(中文版)，PDF 一本由 Ian Goodfellow, Yoshua Bengio 與Aaron Courville寫的書, 是很重要的深度學習之資源。它包含的主題超過上述介紹的課程，值得一讀。★★★
有許多軟體架構提供必須的函式，類別與模組用於機器學習與深度學習。我們建議你不要使用這些架構，在你早期的學習。取而代之的是，我們建議你從頭開始實做一個基礎的算法。很多課程詳細的解釋演算法背後的數學，所以他們可以簡單的實做出來。
- Jupyter notebooks是一個很方便的方式來使用Python程式碼。他們對於matplotlib有很好的整合,有個很方便的工具能讓資料視覺化。我們建議你實做演算法在這樣的環境。 ★
沒有留言:
張貼留言