供学生和程序员学习人工智能的免费课程推荐
01
引言
您想学习人工智能？但不知道如何开始，也不知道从哪里开始？互联网上的资源总是丰富多彩，质量参差不齐，往往容易看花眼而无从下手。
02
从头开始实现
ML-From-Scratch:
https://github.com/eriklindernoren/ML-From-Scratch
-
HomemadeMachineLearning: https://github.com/trekhleb/homemade-machine-learning
-
JeremyNixon/oracle： https://github.com/JeremyNixon/oracle
如果你想挑战一下自己，可以通过学习以下课程从头开始实现简单版本的PyTorch。
MiniTorch：https://minitorch.github.io
参加竞赛
学以致用，强烈推荐大家参加Kaggle举行的关于机器学习的竞赛，如下：
Kaggle: https://www.kaggle.com
-
研究过去举办比赛的成功解决方案，如下： -
Kaggle-solutions：https://farid.one/kaggle-solutions
模型部署
Made With ML：
https://madewithml.com
Free MLOps course：
https://github.com/DataTalksClub/mlops-zoomcamp
machine-learning-systems-design：
显而易见的人工智能--ML 系统设计：300 个案例研究：
https://www.evidentlyai.com/ml-system-design
机器学习工程在线图书：
https://github.com/stas00/ml-engineering
其他资源
【书籍】使用PyTorch和Scikit-Learn进行机器学习：
【论文】机器学习中的模型评估、模型选择和算法选择：
https://arxiv.org/abs/1811.12808
【书籍】机器学习面试入门指南：
https://huyenchip.com/ml-interviews-book
【书籍】百页机器学习：
https://themlbook.com
03
推荐课程
FastAI Part1：https://course.fast.ai/
FastAI Part2：https://course.fast.ai/Lessons/part2.html
Full Stack Deep Learning：
https://fullstackdeeplearning.com/course/2022
DEEP LEARNING COURSE：
https://fleuret.org/dlc/
推荐书籍
【书籍】Dive into Deep Learning:（包含PyTorch/NumPy/MXNet/TensorFlow的代码示例）
-
【书籍】Deep Learning： https://www.deeplearningbook.org/ 【书籍】Neural networks and deep learning：
http://neuralnetworksanddeeplearning.com/
【书籍】Understanding Deep Learning：
https://udlbook.github.io/udlbook/
【书籍】The Little Book of Deep Learning ：深度学习小书，适合用手机看
https://fleuret.org/francois/lbdl.html
推荐网站
当你训练的网络不收敛时，可以查阅以下资料：
【网站】训练神经网络的秘诀：A Recipe for Training Neural Networks
【网站】深度神经网络-33 年前和 33 年后：
其他资源
推荐一个由
labml.ai建立的用Pytorch实现论文的代码注释，链接：https://nn.labml.ai/index.html
Papers with Code，该网站是一个很好的资源汇总网站，比如这是他们网站上对 BERT 的解释，如下：https://paperswithcode.com/method/bert
计算机视觉
CS231n: 很多人推荐的计算机视觉首选课程，这门课很有挑战性，但如果你能学好，也是值得的。
https://cs231n.stanford.edu/
自然语言处理
CS224N ：斯坦福大学的另一门精彩课程，经典值得学习。
https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1234
Learn Hugging Face: Hugging Face NLP Course
推荐文章
BERT Research：
https://mccormickml.com/2019/11/11/bert-research-ep-1-key-concepts-and-sources/
图解 Word2vec ：
https://jalammar.github.io/illustrated-word2vec/
Illustrated BERT：
https://jalammar.github.io/illustrated-bert/
Understanding-LSTMs:
https://colah.github.io/posts/2015-08-Understanding-LSTMs/
PyTorch RNN from Scratch：
https://jaketae.github.io/study/pytorch-rnn/
04
事实上，大家要学的东西很多，而且永远学不完，尤其是人工智能，每周都有新的革命性论文和想法发布。希望大家知道如何利用这些信息，如何将其转化为知识与公众分享，以及从这些信息中产生了哪些新颖的想法和解决方案。
动动手指关注我不迷路