0-机器学习-深度学习-入门建议-章浩

1. 我亲自修过的课程及书籍

1.1 数学基础

1.1.1 高数(优化)

1.1.2 线代

1. 统计学中的矩阵代数(方开泰，高教社)
   • 3星，言简意赅，当字典使用
2. 线性代数的几何意义(xxx，西电)
   • 5星，讲清楚了线性代数的物理含义及其背后的直觉，非常有助于数学建模

1.1.3 概率

1. 漫画统计学(科学出版社)
   • 3星，科普用的，翻一遍有个印象就行
2. 概率论与数理统计(陈希孺，中科大出版社)
   • 5星，我读过国人写的概率论的书籍中的最强，深入浅出，讲了很多概率公式背后的直觉，很有启发性

1.1.4 Tutorial

1. PRML导论-前4章(吴建鑫，NJU)
   • 5星，NJU-Lamda的PR Course的教辅，吴建鑫老师的Lecture和Tutorials深入浅出，推荐！

1.2 机器学习

1. 数据挖掘与算法导论(袁博，清华深圳研究生院)，4星
2. 机器学习基石 (林轩田，国立台湾大学)，4星半
3. 机器学习技法 (林轩田，国立台湾大学)，4星半
4. 机器学习 (周志华，NJU)，4星
5. 统计学习方法(李航，清华大学出版社)，4星
6. Machine Learning部分章节 (Andrew Ng, Coursera)，4星半

1.3 深度学习

1. 深度学习基础 (李宏毅，国立台湾大学)，5星
2. 深度学习进阶 (李宏毅，国立台湾大学)，5星
3. cs231n (FeiFei Li, Stanford University)，5星，墙裂推荐
4. Deep Learning部分章节(Andrew Ng, Coursera)，4星半

1.4 一些高阶课(for Phd.)

1.5 编程相关的课

1.5.1 Python

1. 尚学堂的python入门(一个培训机构)
   • 5星，但是这个视频讲的真不错)
2. 廖雪峰的python入门(一个文字版教程)
   • 3星，前面讲的还行，进阶部分写的虎头蛇尾，跳跃性有点大

1.5.2 Tensorflow

1. cs20 (standford university)
   • 5星，真正的深入浅出，作业安排的也很合理，值得follow，但是注意不要copy code，最后自己全部敲一遍

1.5.3 pytorch

1. 官网的Tutorial
2. 一些非常好的code(from github)

1.5.4 Caffe

1. 官网的Tutorial

1.6 实战项目课程

2. 基于各种信息聚合我推荐的课

2.1 数学基础

2.1.1 高数(优化)

2.1.2 线代

2.1.3 概率

2.1.4 没分类的

2.2 机器学习

2.3 深度学习

2.4 一些高阶课(for Phd.)

2.5 编程相关的课

2.5.1 Python

2.5.2 Tensorflow

2.5.3 pytorch

2.5.4 Caffe

2.6 实战项目课程

3. 个人的学习建议

4. 参考文献