ailearning

</a>
<br >
<a href="https://www.apachecn.org/"></a>
<a href="https://home.apachecn.org/about/"></a>
<a href="mailto:[email protected]"></a>

AI learning

协议：CC BY-NC-SA 4.0

一种新技术一旦开始流行，你要么坐上压路机，要么成为铺路石。——Stewart Brand

• 在线阅读
• 在线阅读（v1）
• QuantLearning
• ApacheCN 中文翻译组 713436582
• ApacheCN 学习资源
• 注: 广告位合作(物美价廉)，请联系 [email protected]

路线图

• 入门只看: 步骤 1 => 2 => 3，你可以当大牛！
• 中级补充 - 资料库: https://github.com/apachecn/ai-roadmap

补充

• 算法刷题: https://www.ixigua.com/pseries/6822642486343631363/
• 面试求职: https://www.ixigua.com/pseries/6822563009391493636/
• 机器学习实战: https://www.ixigua.com/pseries/6822816341615968772/
• NLP教学视频: https://www.ixigua.com/pseries/6828241431295951373/
• AI常用函数说明: https://github.com/apachecn/AiLearning/tree/master/AI常用函数说明.md

1.机器学习 - 基础

支持版本

注意事项:

• 机器学习实战: 仅仅只是学习，请使用 python 2.7.x 版本 （3.6.x 只是修改了部分）

基本介绍

• 资料来源: Machine Learning in Action(机器学习实战-个人笔记)
• 统一数据地址: https://github.com/apachecn/data
  • 百度云打包地址: https://github.com/apachecn/data/issues/3
• 书籍下载地址: https://github.com/apachecn/data/tree/master/book
• 机器学习下载地址: https://github.com/apachecn/data/tree/master/机器学习
• 深度学习数据地址: https://github.com/apachecn/data/tree/master/深度学习
• 推荐系统数据地址: https://github.com/apachecn/data/tree/master/推荐系统
• 视频网站: 优酷 ／bilibili / Acfun / 网易云课堂，可直接在线播放。（最下方有相应链接）
• -- 推荐 红色石头: 台湾大学林轩田机器学习笔记
• -- 推荐 机器学习笔记: https://feisky.xyz/machine-learning

学习文档

网站视频

知乎问答-爆炸啦-机器学习该怎么入门？

当然我知道，第一句就会被吐槽，因为科班出身的人，不屑的吐了一口唾沫，说傻X，还评论 Andrew Ng 的视频。。

我还知道还有一部分人，看 Andrew Ng 的视频就是看不懂，那神秘的数学推导，那迷之微笑的英文版的教学，我何尝又不是这样走过来的？？ 我的心可能比你们都痛，因为我在网上收藏过上10部《机器学习》相关视频，外加国内本土风格的教程: 7月+小象 等等，我都很难去听懂，直到有一天，被一个百度的高级算法分析师推荐说: 《机器学习实战》还不错，通俗易懂，你去试试？？

我试了试，还好我的Python基础和调试能力还不错，基本上代码都调试过一遍，很多高大上的 "理论+推导"，在我眼中变成了几个 "加减乘除+循环"，我想这不就是像我这样的程序员想要的入门教程么？

很多程序员说机器学习 TM 太难学了，是的，真 TM 难学，我想最难的是: 没有一本像《机器学习实战》那样的作者愿意以程序员 Coding 角度去给大家讲解！！

最近几天，GitHub 涨了 300颗 star，加群的200人， 现在还在不断的增加++，我想大家可能都是感同身受吧！

很多想入门新手就是被忽悠着收藏收藏再收藏，但是最后还是什么都没有学到，也就是"资源收藏家"，也许新手要的就是 MachineLearning(机器学习) 学习路线图。没错，我可以给你们的一份，因为我们还通过视频记录下来我们的学习过程。水平当然也有限，不过对于新手入门，绝对没问题，如果你还不会，那算我输！！

视频怎么看？

1. 理论科班出身-建议去学习 Andrew Ng 的视频（Ng 的视频绝对是权威，这个毋庸置疑）
2. 编码能力强 - 建议看我们的《机器学习实战-教学版》
3. 编码能力弱 - 建议看我们的《机器学习实战-讨论版》，不过在看理论的时候，看 教学版-理论部分；讨论版的废话太多，不过在讲解代码的时候是一行一行讲解的；所以，根据自己的需求，自由的组合。

【免费】数学教学视频 - 可汗学院 入门篇

• @于振梓 推荐: 可汗学院-网易公开课

机器学习视频 - ApacheCN 教学版

【免费】机器/深度学习视频 - 吴恩达

2.深度学习

支持版本

入门基础

1. 反向传递: https://www.cnblogs.com/charlotte77/p/5629865.html
2. CNN原理: http://www.cnblogs.com/charlotte77/p/7759802.html
3. RNN原理: https://blog.csdn.net/qq_39422642/article/details/78676567
4. LSTM原理: https://blog.csdn.net/weixin_42111770/article/details/80900575

Pytorch - 教程

-- 待更新

TensorFlow 2.0 - 教程

-- 待更新

目录结构:

• 安装指南
• Keras 快速入门
• 实战项目 1 电影情感分类
• 实战项目 2 汽车燃油效率
• 实战项目 3 优化 过拟合和欠拟合
• 实战项目 4 古诗词自动生成

切分（分词）

词性标注

命名实体识别

句法分析

WordNet可以被看作是一个同义词词典

词干提取（stemming）与词形还原（lemmatization）

• https://www.biaodianfu.com/nltk.html/amp

TensorFlow 2.0学习网址

• https://github.com/lyhue1991/eat_tensorflow2_in_30_days

3.自然语言处理

支持版本

学习过程中-内心复杂的变化！！！

…

• 【入门须知】必须了解: https://github.com/apachecn/AiLearning/tree/master/nlp
• 【入门教程】强烈推荐: PyTorch 自然语言处理: https://github.com/apachecn/NLP-with-PyTorch
• Python 自然语言处理 第二版: https://usyiyi.github.io/nlp-py-2e-zh
• 推荐一个liuhuanyong大佬整理的nlp全面知识体系: https://liuhuanyong.github.io
• 开源 - 词向量库集合:
  • https://www.cnblogs.com/Darwin2000/p/5786984.html
  • https://ai.tencent.com/ailab/nlp/embedding.html
  • https://blog.csdn.net/xiezj007/article/details/85073890
  • https://github.com/Embedding/Chinese-Word-Vectors
  • https://github.com/brightmart/nlp_chinese_corpus
  • https://github.com/codemayq/chinese_chatbot_corpus
  • https://github.com/candlewill/Dialog_Corpus

1.使用场景 （百度公开课）

第一部分 入门介绍

• 1.) 自然语言处理入门介绍

第二部分 机器翻译

• 2.) 机器翻译

第三部分 篇章分析

• 3.1.) 篇章分析-内容概述
• 3.2.) 篇章分析-内容标签
• 3.3.) 篇章分析-情感分析
• 3.4.) 篇章分析-自动摘要

第四部分 UNIT-语言理解与交互技术

• 4.) UNIT-语言理解与交互技术

应用领域

中文分词:

• 构建DAG图
• 动态规划查找，综合正反向（正向加权反向输出）求得DAG最大概率路径
• 使用了SBME语料训练了一套 HMM + Viterbi 模型，解决未登录词问题

1.文本分类（Text Classification）

文本分类是指标记句子或文档，例如电子邮件垃圾邮件分类和情感分析。

下面是一些很好的初学者文本分类数据集。

1. 路透社Newswire主题分类（路透社-21578）。1987年路透社出现的一系列新闻文件，按类别编制索引。另见RCV1，RCV2和TRC2。
2. IMDB电影评论情感分类（斯坦福）。来自网站imdb.com的一系列电影评论及其积极或消极的情绪。
3. 新闻组电影评论情感分类（康奈尔）。来自网站imdb.com的一系列电影评论及其积极或消极的情绪。

有关更多信息，请参阅帖子: 单标签文本分类的数据集。

情感分析

比赛地址: https://www.kaggle.com/c/word2vec-nlp-tutorial

• 方案一(0.86): WordCount + 朴素 Bayes
• 方案二(0.94): LDA + 分类模型（knn/决策树/逻辑回归/svm/xgboost/随机森林）
  • a) 决策树效果不是很好，这种连续特征不太适合的
  • b) 通过参数调整 200 个topic，信息量保存效果较优（计算主题）
• 方案三(0.72): word2vec + CNN
  • 说实话: 没有一个好的机器，是调不出来一个好的结果 (: 逃

通过AUC 来评估模型的效果

2.语言模型（Language Modeling）

语言建模涉及开发一种统计模型，用于预测句子中的下一个单词或一个单词中的下一个单词。它是语音识别和机器翻译等任务中的前置任务。

它是语音识别和机器翻译等任务中的前置任务。

下面是一些很好的初学者语言建模数据集。

1. 古腾堡项目，一系列免费书籍，可以用纯文本检索各种语言。
2. 还有更多正式的语料库得到了很好的研究; 例如: 布朗大学现代美国英语标准语料库。大量英语单词样本。 谷歌10亿字语料库。

新词发现

• 中文分词新词发现
• python3利用互信息和左右信息熵的中文分词新词发现
• https://github.com/zhanzecheng/Chinese_segment_augment

句子相似度识别

• 项目地址: https://www.kaggle.com/c/quora-question-pairs
• 解决方案: word2vec + Bi-GRU

文本纠错

• bi-gram + levenshtein

3.图像字幕（Image Captioning）

mage字幕是为给定图像生成文本描述的任务。

下面是一些很好的初学者图像字幕数据集。

1. 上下文中的公共对象（COCO）。包含超过12万张带描述的图像的集合
2. Flickr 8K。从flickr.com获取的8千个描述图像的集合。
3. Flickr 30K。从flickr.com获取的3万个描述图像的集合。 欲了解更多，请看帖子:

探索图像字幕数据集，2016年

4.机器翻译（Machine Translation）

机器翻译是将文本从一种语言翻译成另一种语言的任务。

下面是一些很好的初学者机器翻译数据集。

1. 加拿大第36届议会的协调国会议员。成对的英语和法语句子。
2. 欧洲议会诉讼平行语料库1996-2011。句子对一套欧洲语言。 有大量标准数据集用于年度机器翻译挑战; 看到:

统计机器翻译

机器翻译

• Encoder + Decoder(Attention)
• 参考案例: http://pytorch.apachecn.org/cn/tutorials/intermediate/seq2seq_translation_tutorial.html

5.问答系统（Question Answering）

问答是一项任务，其中提供了一个句子或文本样本，从中提出问题并且必须回答问题。

下面是一些很好的初学者问题回答数据集。

1. 斯坦福问题回答数据集（SQuAD）。回答有关维基百科文章的问题。
2. Deepmind问题回答语料库。从每日邮报回答有关新闻文章的问题。
3. 亚马逊问答数据。回答有关亚马逊产品的问题。 有关更多信息，请参阅帖子:

数据集: 我如何获得问答网站的语料库，如Quora或Yahoo Answers或Stack Overflow来分析答案质量？

6.语音识别（Speech Recognition）

语音识别是将口语的音频转换为人类可读文本的任务。

下面是一些很好的初学者语音识别数据集。

1. TIMIT声学 - 语音连续语音语料库。不是免费的，但因其广泛使用而上市。口语美国英语和相关的转录。
2. VoxForge。用于构建用于语音识别的开源数据库的项目。
3. [LibriSpeech