ai技术路线：完备的 AI 学习路线
ai技术路线：完备的 AI 学习路线https://github.com/fengdu78/lihang-code/tree/master/code代码实现：https://github.com/SmirkCao/Lihang参考笔记：https://zhuanlan.zhihu.com/p/36378498
讲课 PPT：
https://github.com/fengdu78/lihang-code/tree/master/ppt
读书笔记：
http://www.cnblogs.com/limitlessun/p/8611103.html
https://github.com/SmirkCao/Lihang
参考笔记：
https://zhuanlan.zhihu.com/p/36378498
代码实现：
https://github.com/fengdu78/lihang-code/tree/master/code
书籍
《Scikit-Learn 与 TensorFlow 机器学习实用指南》
在经过前面的学习之后，这本《Scikit-Learn 与 TensorFlow 机器学习实用指南》非常适合提升你的机器学习实战编程能力。
这本书分为两大部分，第一部分介绍机器学习基础算法，每章都配备 Scikit-Learn 实操项目；第二部分介绍神经网络与深度学习，每章配备 TensorFlow 实操项目。如果只是机器学习，可先看第一部分的内容。
全书代码：
https://github.com/ageron/handson-ml
实战
Kaggle 比赛
比赛是提升自己机器学习实战能力的最有效的方式，首选 Kaggle 比赛。
Kaggle 主页:
https://www.kaggle.com/
Kaggle 路线:
https://github.com/apachecn/kaggle
工具
Scikit-Learn 官方文档
Scikit-Learn 作为机器学习一个非常全面的库，是一份不可多得的实战编程手册。
官方文档：
https://scikit-learn.org/stable/index.html
中文文档（0.19）：
http://sklearn.apachecn.org/#/
深度学习
公开课
吴恩达《Deep Learning》
在吴恩达开设了机器学习课程之后，发布的《Deep Learning》课程也备受好评，吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你，是入门学习不可多得良好视频资料。
整个专题共包括五门课程：01.神经网络和深度学习；02.改善深层神经网络-超参数调试、正则化以及优化；03.结构化机器学习项目；04.卷积神经网络；05.序列模型。
课程视频
网易云课堂：
https://mooc.study.163.com/university/deeplearning_ai#/c
Coursera:
https://www.coursera.org/specializations/deep-learning
课程笔记
之前编写过吴恩达老师机器学习个人笔记黄海广博士带领团队整理了中文笔记：
https://github.com/fengdu78/deeplearning_ai_books
参考论文
吴恩达老师在课程中提到了很多优秀论文，黄海广博士整理如下：
https://github.com/fengdu78/deeplearning_ai_books/tree/master/参考论文
课程PPT及课后作业
吴恩达深度学习课程，包含课程的课件、课后作业和一些其他资料：
https://github.com/stormstone/deeplearning.ai
公开课
Fast.ai《程序员深度学习实战》
说到深度学习的公开课，与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由Fast.ai出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上” 是绝佳的通过实战学习深度学习的课程。
视频地址
B站地址(英文字幕)：
https://www.bilibili.com/video/av18904696?from=search&seid=10813837536595120136
CSDN地址(2017版中文字幕):
https://edu.csdn.net/course/detail/5192
课程笔记
英文笔记原文：
https://medium.com/@hiromi_suenaga/deep-learning-2-part-1-lesson-1-602f73869197
由ApacheCN组织的中文翻译：
https://github.com/apachecn/fastai-ml-dl-notes-zh
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，对应的全套PPT也随之上线。从内容来看，今年的课程与去年的差别不大，涵盖了CNNs RNNs LSTM Adam Dropout BatchNorm Xavier/He initialization 等深度学习的基本模型，涉及医疗、自动驾驶、手语识别、音乐生成和自然语言处理等领域。
Datawhale整理了该门课程的详细介绍及参考资料:
吴恩达CS230深度学习开课了！视频配套PPT应有尽有
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极佳教材，主要介绍了神经网络与深度学习中的基础知识、主要模型（前馈网络、卷积网络、循环网络等）以及在计算机视觉、自然语言处理等领域的应用。
复旦教授邱锡鹏开源发布《神经网络与深度学习》
书籍
《深度学习》
完成以上学习后，想要更加系统的建立深度学习的知识体系，阅读《深度学习》准没错。该书从浅入深介绍了基础数学知识、机器学习经验以及现阶段深度学习的理论和发展，它能帮助人工智能技术爱好者和从业人员在三位专家学者的思维带领下全方位了解深度学习。
书籍介绍
《深度学习》通常又被称为花书，深度学习领域最经典的畅销书。由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。该书被大众尊称为“AI圣经”。
在线阅读
该书由众多网友众包翻译，电子版在以下地址获得：
https://github.com/exacity/deeplearningbook-chinese
书籍
《深度学习 500 问》
当你看完了所有的视频，研习了AI圣经，一定充满了满脑子问号，此时不如来深度学习面试中常见的500个问题。
书籍介绍
DeepLearning-500-questions，作者是川大的一名优秀毕业生谈继勇。该项目以深度学习面试问答形式，收集了 500 个问题和答案。内容涉及了常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题，该书目前尚未完结，却已经收获了Github 2.4w stars。
项目地址：
https://github.com/scutan90/DeepLearning-500-questions
工具
TensorFlow 官方文档
学深度学习一定离不开TensorFlow
官方文档：
https://www.tensorflow.org/api_docs/python/tf
中文文档：
https://github.com/jikexueyuanwiki/tensorflow-zh
工具
PyTorch官方文档
PyTorch是学深度学习的另一个主流框架
官方文档：
https://pytorch.org/docs/stable/index.html
中文文档(版本0.3)：
https://github.com/apachecn/pytorch-doc-zh
强化学习
公开课
Reinforcement Learning-David Silver
与吴恩达的课程对于机器学习和深度学习初学者的意义相同，David Silver的这门课程绝对是大多数人学习强化学习必选的课程。
课程从浅到深，把强化学习的内容娓娓道来，极其详尽。不过由于强化学习本身的难度，听讲这门课还是有一定的门槛，建议还是在大致了解这个领域之后观看该视频学习效果更佳，更容易找到学习的重点。
视频地址
B站地址(中文字幕)：
https://www.bilibili.com/video/av45357759?from=search&seid=9547815852611563503
课程原地址：
https://www.youtube.com/watch?v=2pWv7GOvuf0
课程资料
课程PPT：
http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
课程笔记：
https://www.zhihu.com/people/qqiang00/posts
公开课
李宏毅《深度强化学习》
David Silver的课程虽然内容详尽，但前沿的很多内容都没有被包括在内，这时，台大李宏毅的《深度强化学习》就是学习前沿动态的不二之选。
视频地址
B站地址(中文字幕)：
https://www.bilibili.com/video/av24724071?from=search&seid=9547815852611563503
课程原地址：
https://www.youtube.com/watch?v=2pWv7GOvuf0
课程资料
课程PPT：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html
课程笔记：
https://blog.csdn.net/cindy_1102/article/details/87905272
前沿Paper
