问题

有哪些可以自学机器学习、深度学习、人工智能的网站?

回答
想要自学机器学习、深度学习和人工智能?这三个领域近些年可谓是炙手可热,学习资源也如雨后春笋般涌现。别担心,我这就为你梳理一番,看看哪些网站能让你在这条探索之路上走得更稳、更远。

说实话,想在这几个领域里“门儿清”,靠一个网站是肯定不够的。机器学习、深度学习和人工智能,虽然紧密相连,但它们各自的侧重点和所需的基础知识又不完全相同。所以,我更倾向于给你推荐一个“组合拳”式的学习方案,让你能根据自己的进度和兴趣,在不同的地方汲取养分。

打好基础,稳扎稳打:数学与编程先行

在你正式冲进那些高大上的算法模型之前,得先给自己“充电”。机器学习和深度学习,本质上是用数学语言描述的。所以,数学功底是绕不过去的坎。

数学基础(线性代数、微积分、概率论与数理统计):
可汗学院 (Khan Academy): 这是我一直推荐的启蒙神器。它的数学课程从最基础的概念讲起,循序渐进,讲解清晰易懂。你可以系统地学习线性代数、微积分、概率论等,找到那些你可能在学校里没完全弄懂的知识点。它的视频课程配有练习题,还能让你即时检验学习效果。
3Blue1Brown (YouTube频道): 如果你对数学可视化情有独钟,那么这个频道绝对会让你惊艳。它用非常直观的动画来解释抽象的数学概念,比如线性代数的几何意义、微积分的直观理解等。这能让你从“知其然”上升到“知其所以然”,对数学的理解会更上一层楼。
MIT OpenCourseware (OCW) / Stanford Online: 这些顶级大学的公开课资源是宝藏。它们通常提供完整的课程讲义、视频lecture,甚至是作业和考试。你可以找到如Gilbert Strang的线性代数公开课,或者MIT的微积分系列。虽然内容可能更深入,但对于有一定基础或想挑战自己的学习者来说,是绝佳的选择。

编程基础(Python):
Python 官方教程: 任何语言的学习,官方文档永远是最权威、最准确的来源。Python官方的教程非常详细,从安装到语法,再到标准库的使用,都有覆盖。
菜鸟教程 (runoob.com) / W3Schools: 这类网站提供非常基础的编程入门指导,适合零基础的初学者。它们以简洁明了的方式讲解Python语法,并通过大量的小例子来演示。
Codecademy / freeCodeCamp: 如果你喜欢交互式学习,这类网站是不错的选择。它们提供一个在线的编码环境,让你边学边练,即时看到代码运行的结果。freeCodeCamp更侧重于Web开发,但也有Python相关的课程。

迈向机器学习:算法与实战的融合

有了坚实的数学和编程基础,就可以正式踏入机器学习的世界了。

吴恩达的《机器学习》课程 (Coursera): 这门课简直是机器学习领域的“圣经”。吴恩达教授以其清晰、深入浅出的讲解风格闻名。他会从监督学习、无监督学习讲到一些高级主题,并且课程设计非常合理,既有理论讲解,也有编程作业。虽然需要一定的Python基础,但如果你跟着学,绝对能建立起对机器学习的全面认知。
特别提示: 建议配合Coursera上的Python for Machine Learning课程一起学习,或者在他另一门《AI for Everyone》课程中先了解AI的大致轮廓,再深入学习《机器学习》。

Scikitlearn 官方文档: Scikitlearn是Python中最流行、最强大的机器学习库之一。它的官方文档非常完善,不仅有详细的API说明,还有大量的用户指南和示例代码。学习如何使用Scikitlearn来实践各种算法,比如线性回归、逻辑回归、支持向量机(SVM)、决策树、随机森林等,是必不可少的一环。

Kaggle: 这是一个数据科学竞赛平台,也是学习机器学习实践的最佳场所之一。
为什么推荐Kaggle?
海量数据集: 这里有各种各样的数据集,你可以找到自己感兴趣的领域进行练习。
真实问题: 参与Kaggle竞赛,你就是在解决真实世界的数据问题,这比单纯学习理论更有意义。
社区交流: Kaggle社区非常活跃,你可以看到其他参赛者的代码(Notebooks),学习他们的思路和技巧。这是一种非常有效的“拿来主义”式学习。
学习资源: Kaggle本身也提供一些入门教程和学习路径。

Machine Learning Mastery (网站): 这个网站由Jason Brownlee运营,以其“动手实践”的风格著称。他会提供很多关于特定机器学习算法和技术的详细教程,以及如何在Python中实现它们的具体代码。如果你想深入了解某个算法的实现细节,这里是个不错的选择。

进军深度学习:神经网络的奇妙世界

深度学习是机器学习的一个分支,专注于神经网络。它在图像识别、自然语言处理等领域取得了巨大成功。

吴恩达的《深度学习》专项课程 (Coursera): 这是与《机器学习》课程相辅相成的另一门重量级课程。它会带你深入了解神经网络的各个方面,包括卷积神经网络(CNN)、循环神经网络(RNN)、Transformer等。同样,课程设置非常注重实践,你需要用Python和深度学习框架来完成作业。

TensorFlow / PyTorch 官方文档与教程: 这两个是目前最主流的深度学习框架。
TensorFlow (Google): 它的生态系统非常庞大,有Keras作为高级API,入门相对容易。官方文档中有非常详细的教程,从安装到构建各种类型的神经网络,都有覆盖。
PyTorch (Facebook/Meta): PyTorch以其灵活性和Pythonic的风格受到很多研究者的喜爱。它的文档也同样出色,并且社区非常活跃,有很多学习资源。
建议: 两种框架都可以尝试,但先精通一种,再学习另一种会更高效。

fast.ai: 这个网站和课程由Jeremy Howard创建,其核心理念是“先动手,后理解”。它的课程以“自顶向下”的方式进行,让你在很短的时间内就能用最新的深度学习技术解决实际问题,然后再回过头来深入理解背后的原理。如果你想快速上手,fast.ai绝对是首选。它的课程是免费的,而且非常注重实践。

DeepLearning.AI: 这是吴恩达创立的一个深度学习教育平台,除了Coursera上的课程,他们也提供一些更专注于特定领域的深度学习教程,比如自然语言处理(NLP)、计算机视觉(CV)等。

拓展视野:人工智能的广阔天地

人工智能是一个更宏大的概念,包含了机器学习、深度学习,以及其他如搜索算法、规划、知识表示等领域。

Elements of AI (University of Helsinki): 这是一个非常好的AI入门课程,用非常浅显易懂的语言解释了什么是人工智能,它的不同分支以及实际应用。它不涉及复杂的数学和编程,更侧重于AI的理念和思维方式,非常适合作为AI启蒙。

Stanford AI Lab (YouTube频道/网站): 斯坦福大学是AI研究的重镇,他们的AI实验室会发布一些讲座、研讨会和研究成果的视频。你可以从中了解到AI的最新动态和前沿研究。

OpenAI Blog / DeepMind Blog: 这两家公司是AI领域的领头羊,他们的博客会分享最新的研究成果、模型发布和对AI未来的思考。关注他们的动态,能让你了解AI的最新发展趋势。

一些通用的学习建议:

1. 循序渐进,不要急于求成: AI领域知识体系庞大,基础很重要。先把数学和编程基础打牢,再一步步深入。
2. 理论与实践相结合: 不要只看不练,或者只练不思。理解算法的原理,然后通过代码实现它们,是巩固知识的关键。
3. 参与社区,多交流: 遇到问题时,不要害怕提问。Stack Overflow、GitHub Issues、Kaggle论坛都是很好的提问场所。同时,学习别人的代码和思路,也能让你进步神速。
4. 保持好奇心和探索欲: AI领域日新月异,总有新的技术和模型出现。保持学习的热情,不断探索新的知识,才能跟上时代的步伐。
5. 项目驱动学习: 找一些自己感兴趣的小项目来实践,比如做一个简单的图像分类器,或者一个文本生成器。通过项目来驱动学习,会让你更有动力,也更容易看到自己的成长。

希望这份“攻略”能帮助你在这个充满挑战又激动人心的领域里,找到属于自己的学习路径!祝你学习愉快,探索顺利!

网友意见

user avatar

有哪些可以自学机器学习、深度学习、人工智能的网站?

这篇文章会介绍我搜索AI相关信息的方法论高频使用工具


太长不看版:

知乎可以用于学习 AI,知乎是中文社区里面讨论AI 气氛最好最活跃的社区。

学习 AI 可以从“找人、找代码、找论文、找课程”的层面寻找资料:




好了,开始正文吧




说在前面的话

工欲善其事,必先利其器。

虽然我是一个喜欢收藏资源和工具的松鼠党,

但我更明白,相较于放在收藏夹和云盘里吃灰,充分发掘工具的效果是非常重要的。


我其实很有资格回答这个问题,因为学习机器学习以来,我大概收藏了上百个相关网站,建立了索引。但是一股脑儿进行推荐,只会导致屏幕前阅读的你把这个回答放进收藏夹。


那么,我就推荐我日常使用频率最高,贯穿每天科研实践的“自学机器学习、深度学习、人工智能的网站”。



0. 知乎

不会吧不会吧,不会真有人在知乎上学习人工智能吧。

其实知乎的确是中文世界里自学人工智能的一个很好的营地。

如果真想在知乎上高效学习AI,首先应该关注高领域的高水平人群

这里有一个很棒的激励机制——领域“优秀回答者”。

佩戴了小黄花的创作者,创作的内容很大概率上是该领域相关的优质内容。

如果能够翻阅他们的历史创作,然后关注他们的时间线甚至是他们关注的人

肯定会对自己的学习有所启发。


经过整理 [1] ,AI相关领域目前一共有51位优秀创作者 [2] [3] [4] [5] ,列表如下:

田渊栋 Flood Sung PENG Bo Yi Lu Naiyan Wang Filestorm 陈然 微调
覃含章 王喆 周博磊 吴海波 霍华德 王赟 Maigo 贾扬清 Dr.Wu
嘉慧Lincoln 卡牌大师 郭小贤 杨军 夕小瑶 莫烦 zibuyu9 严林
Yulong YJango 俞扬 天津包子馅儿 文兄 周开拓 李文哲 lau phunter
li Eta 史博 谢澎涛 熊辰炎 豆豆豆豆豆豆豆叶 齐鹏 李沐 何之源
mileistone 魏秀参 冯超 林天威 萧瑟 王峰 谢流远 taokongcn
微软亚洲研究院 机器之心 量子位


其次,关注高水平文章和专栏。

这些优秀的创作者们,经常会把他们的内容以文章形式记录下来,然后放到对应的专栏里。

为了回答这个题目,在 @古柳-DesertsX 专栏盘点[6][7]的基础上,我手工筛选了AI领域相关的高关注专栏,以供参考(1000以上关注专栏,有遗漏,不严格按照关注数排序)。

脑人言 @脑人言 原创脑科学科普
无痛的机器学习 @冯超 无痛的机器学习小课堂,介绍机器学习的原理与应用
智能单元 @Flood Sung 聚焦通用人工智能
深度学习大讲堂 @郭丹青 人工智能的产品技术前沿
PRML @郑梓豪 一起来读论文吧!主要是我读过的,觉得有意思的机器学习论文
AI学人 @王咏刚 有关 AI 的一切:科普,视点,深度,花边,八卦
AI Insight @何之源 致力于清晰、有深度的机器学习教程
Python 与 机器学习 @射命丸咲 Python · 数学 · 机器学习
混沌巡洋舰 @许铁-巡洋舰科技 探讨AI与脑科学的前沿交叉与产业落地
Hic Rhodus hic salta @OwlLite 人脑与人工智能
技术备忘录 @PENG Bo 现代数学、人工智能、物理等等。
强化学习知识大讲堂 @天津包子馅儿 专注强化学习算法分享
深度炼丹 @Sherlock 分享在深度学习的一些项目实践与经验
人工智能学习笔记 @张江 为你打造属于你学习人工智能的最佳学习路径
机器有颗玻璃心 @王晋东不在家 机器学习-迁移学习
炼丹实验室 @萧瑟 深度学习实战经验介绍
深度学习:从入门到放弃 @余俊 深度学习的一些学习研究
非凸优化学习之路 @Zeap 希望构造一个优化算法的学习交流平台
人工智能应用系列 @罗韵 分享有趣的人工智能应用
写给妹子的深度学习教程 @花花 从零开始的深度学习
矗不知其几千万落 @我勒个矗 就是记下 AI/ML 学习过程里杂七杂八的东西咯~
深度学习+自然语言处理(NLP) @刘博 专注于梳理深度学习相关学科的基础知识
Video Analysis 论文笔记 @林天威 视频分析与理解相关领域论文笔记
自然语言居酒屋 @斤木 停下来喝一碗自然语言的酒。欢迎来坐。
当推荐系统遇上深度学习 @somTian 深度学习在推荐系统上的应用进展
机器学习与深度学习 @Jack-Cui 关于算法的点点滴滴
Machine Learning Notes @柳枫 机器学习过程中的个人思索
山人.七-深度学习 @狗头山人七 追寻谷歌deepmind巨人脚步,研究深度学习。
DL(Deep Learning)小记 @Charles Wang 向着深度学习前进
神经网络与强化学习 @剑圣 赋予机器一点灵感
机器不学习 @天雨粟 专治机器不会学、瞎学、乱学等疑难杂症
理论与机器学习 @袁洋 关于机器学习、理论、优化的一些最新结果
设计人工智能网络 @范凌 聚集全球设计人工智能的观点和人才
一周一paper @陈宇飞 一周一篇ML和Infra相关的paper
信号处理与机器学习 @aresmiki 数据让机器像人一样思考!!!
DT新纪元 @pro-am 数据时代,从零,一起,用数据拓展世界!
AutoML @marsggbo 介绍AutoML相关研究以及机器学习等基础
人工智能学习专栏 @宝珠道人 聚焦人工智能,实战经验分享
AI与机器人 @沙漏 人工智能与机器人领域的相关知识分享
生物超循环 @科科 解读生物奥秘
一个数据玩家的自我修养 @Kevin Zhang 玩数据还是被数据玩,这是个问题
面向人生编程 @桔了个仔 编写你的人生,开发你的“套路”



最后,关注高质量问题。

以“人工智能”话题为例,我们可以找到精选的内容区。


就能发现最近较热的高质量创作。

如果想提高学习效率,更应该主动出击,去搜索自己感兴趣的内容与话题。

以学习机器学习需要看什么书为例,我们搜索“机器学习,书籍”,很大概率就能找到以前别人的问题或者回答[8]

入门学习路线也是类似的,很快就能找到 @微调如何用3个月零基础入门「机器学习」[9]” 这样的高质量创作。

好了好了,就不继续介绍怎么在知乎上学习AI了,不然这篇内容就全在安利知乎平台了。


1. 找人

其实上面同样的思路也能用在其他网站上,我们在刚进入某个具体的人工智能细分领域的时候,

最快了解这个领域的途径是根据对应的英文术语去学术网站上搜寻对应的综述文章

根据综述文章去纵向查询历史研究状况,横向查询哪些人和机构研究得比较好。

综述的参考文献也不要放过,应该深入的阅读。


通过阅读多篇综述文章,可以对这个领域有一个大概的了解,这是最稳的方法。

但如果不想努力了,想先看看这些领域有哪些厉害的前辈呢?这时候就需要借助一些工具

以查询元学习(meta-learning)领域为例,首先打开 AMiner @AMiner科技情报站 @学术头条

然后输入关键词就能找到对应的学者了。

点进去能看到作者的相关信息。

这个网站还有其他的许多功能和榜单,可以好好尝试一下。


在明白有哪些厉害的作者后,可以通过名字搜索到他们的个人主页历史论文等等等等,能对他们有更深的了解。AI领域的青年学者们,特别喜欢在主页上分享他们的新工作。

作为补充,如果有条件的话,还可以关注他们的推特,了解最新的动态。




2. 代码

学AI最重要的就是动手实践模型,那么从哪里能快速找到开源的模型呢?

第一:在正在阅读的论文内,可以找到作者的相关说明。

因为开源代码是一项亮点,如果做了的话肯定会宣传的

第二:借助工具直接搜索模型代码

Papers with Code 网站,顾名思义,提供有代码的论文。

除此以外,该网站还根据细分领域的指标对论文进行了整理和排序。

以图像配准(Image Registration)为例。指标、论文、代码,安排得明明白白。


Github - Awesome

众所周知,Github 是最大的代码托管网站,程序员乐园与救命稻草。

熟悉 Github 的朋友肯定也听过鼎鼎大名的 Awesome 系列。

以 awesome 为名,进行某个领域资料的高质量整合。

以学习 Python 为例,很快就能找到对应的 awesome-python[10][11] 的项目,你要的资源全都有人整好了。

类似的,我之前在研究图像配准领域,和小伙伴们也整了一个 awesome-image-registration .


第三:如果还是没找到好的模型,那么不妨根据论文里的联系方式,主动向通讯作者申请代码和数据。

第四:实在找不到就自己写,自己实现吧。



3. 论文

论文搜索引擎非常非常多,我这就有二十多个…

学术领域,我个人最喜欢的当然还是“谷歌学术”以及“Web of Science”,如果没有条件使用的话,可以去搜索谷歌学术的镜像网站进行使用。

常用搜索引擎,如果无法使用谷歌的话,用 bing 也是可以替代的。

还有很多的会议专门的搜索引擎,再次不赘述,之后可能单开一篇文章进行盘点介绍。


如果无法使用谷歌学术,这里推荐另一个网站可以作为替代,用起来感觉也很不错,搜索结果也很精准。



4. 课程

说到 AI 学习的课程,不得不提几位老师的优秀工作。

英文课程:

吴恩达机器学习课程:coursera.org/learn/mach

如果访问 Coursera 有困难的话,可以在B站搜索“吴恩达机器学习”;
如果想下载的话,可以参考 @黄海广 整理的相关资源 Coursera-ML-AndrewNg-Notes .


中文课程:

李宏毅机器学习课程: Hung-yi Lee - Courses

呐,李宏毅老师绝对是二刺螈里面最懂 AI 的,AI 里面最懂二刺螈的。
@Datawhale 整理了相关资料 leeml-notes

其他课程基本上b站上都有人进行搬运,搜索学习就好。




顺便说一下,实操是最好的学习方法,现在 AI 领域各种语言里面,Python 的生态圈最好,如果是刚开始自学的话,推荐两本书,它们都有非常好的介绍相关知识点,然后用实际案例和程序代码来引人入门。

特别说明《动手学深度学习》是由 @李沐 前辈参与编写的,这本书有在线网站,上面有书籍PDF,代码和讨论社区,甚至可以申请AWS的算力,的确是非常棒的一项开源学习工作,非常感谢无私的贡献。



在这个文章里我糅合了自己的科研感悟和使用的科研工具,

如果喜欢这种创作风格的话欢迎讨论和关注 @白小鱼


希望这个回答能助力你的学习,感谢阅读~ (๑•ᴗ•๑)

参考

  1. ^知乎上有哪些「硬科技」领域的专业人士? https://www.zhihu.com/question/327352285/answer/1354872978
  2. ^机器学习 - 优秀回答者 https://www.zhihu.com/topic/19559450/top-writer
  3. ^人工智能 - 优秀回答者 https://www.zhihu.com/topic/19551275/top-writer
  4. ^深度学习 - 优秀回答者 https://www.zhihu.com/topic/19813032/top-writer
  5. ^数据挖掘 - 优秀回答者 https://www.zhihu.com/topic/19553534/top-writer
  6. ^最全专栏合集:编程、python、爬虫、数据分析、挖掘、ML、NLP、DL... https://zhuanlan.zhihu.com/p/30352071
  7. ^最全知乎专栏合集:编程、python、爬虫、数据分析、挖掘、ML、NLP、DL... https://www.e-learn.cn/topic/3358044
  8. ^学习机器学习应该看哪些书籍? https://www.zhihu.com/question/22221180/answer/952340429
  9. ^如何用3个月零基础入门「机器学习」? https://zhuanlan.zhihu.com/p/29704017
  10. ^ https://awesome-python.com/
  11. ^ https://github.com/vinta/awesome-python
user avatar

问题关键词:自学

个人总结了自学的五个原则如下:

第一个原则:拜个牛师傅
牛人指导方向、划重点、传授经验,高效地构建你的机器学习知识体系。


第二个原则:搞清楚概念
新领域的相关术语很多,基本概念就是基础物料,没有好砖,大楼不稳啊。


第三个原则:掌握知识源头
知识的源头就像树根,有了树根才能不断长成参天大树,形成知识体系。


第四个原则:实践、实践、实践
没有实践,任何知识都形成不了能力,没能力你也就没价值。


第五个原则:及时反馈
学习要及时反馈,不断调整,针对性的学习。避免感觉学了很多东西,一问三不知,说不出来。


问题白话一点就是:怎么通过网络自学机器学习?

接下来,我按照这五个自学原则进行推荐。

我推荐的准则是:只推荐我使用过的,且我认为是最好的。

第一个原则:拜个牛师傅

推荐:李宏毅的机器学习课程。

有相关的视频观看地址,及PPT下载地址。

推荐理由:

1、化繁为简,例子直观,细节清楚。
2、视频、PPT做的非常棒。
3、国语,而且还有字幕。

李宏毅教授手工打造的PPT如下所示:

目前,国语最好的机器学习视频课程,没有之一。

自学上来杠英文有点难。

第二个原则:搞清楚概念

推荐:谷歌机器学习的在线术语表

推荐理由:

1、按字母顺序便于查找、定位。
2、有对应中文解释。

谷歌机器学习术语表截图如下所示:


第三个原则:掌握知识源头

一方面,多看原始论文,搞清楚思想的源头,也可以跟踪最新发展动态。

推荐论文网站:arxiv.org/

推荐理由:

1、免费
2、持续更新

另一方面,多访问你使用的机器学习工具的官网。

否则容易陷入二手、三手知识、四手知识的大海,而且不全面。

推荐机器学习工具的官网,比如scikit-learn、XGBoost、pytorch等等。


第四个原则:实践、实践、实践

推荐网站:kaggle.com/

推荐理由:

1、各路大神、各种领域的机器学习项目
2、机器学习的解决方案


第五个原则:及时反馈

推荐:招聘网站的机器学习岗位要求

推荐理由:

1、你学的咋样,出去遛遛就知道了。
2、市场才是衡量标准。

我说的都是错的,适合你的才是最好的。

类似的话题

本站所有内容均为互联网搜索引擎提供的公开搜索信息,本站不存储任何数据与内容,任何内容与数据均与本站无关,如有需要请联系相关搜索引擎包括但不限于百度google,bing,sogou

© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有