這篇文章介紹了初步學(xué)習(xí)人工智能和深度學(xué)習(xí)最好的資源，對于那些想進(jìn)入人工智能領(lǐng)域卻又不知從何開始的初學(xué)者來說，這絕對非常有用。文章源于 medium，作者 Ray Alez，雷鋒網(wǎng)編譯，未經(jīng)許可不得轉(zhuǎn)載。讀者可直接點(diǎn)擊文章中的鏈接直接跳轉(zhuǎn)到學(xué)習(xí)界面。

一、機(jī)器學(xué)習(xí)

· 對于機(jī)器學(xué)習(xí)領(lǐng)域最好的介紹，請?jiān)贑oursera上觀看Andrew Ng 的 Machine Learning course。這門課解釋了該領(lǐng)域的基本概念，并且能讓學(xué)者很好的理解重要算法。

· 對于 ML 算法的簡要概述，請看TUtsPlus課程“Machine Learning Distilled”。

· 《集體智慧編程》一書是學(xué)習(xí) ML 算法在 Python 中實(shí)際運(yùn)用的好資源。這本書涉及所有必要的基本原理，會(huì)帶你體驗(yàn)很多實(shí)踐課題。

可能你會(huì)對這些重要資源也感興趣：

· 彼得·諾維格的 ML Udacity 課程

· 湯姆·米切爾在卡內(nèi)基梅隆大學(xué)上的另一門《ML課程》

· YouTube教程的機(jī)器學(xué)習(xí)課程——mathematicalmonk  

二、深度學(xué)習(xí) 

我之前遇到過的關(guān)于深度學(xué)習(xí)最好的介紹是 Deep Learning With Python。這門課沒有深入解釋數(shù)學(xué)難題，不需要很多的預(yù)備知識，而是簡單介紹了開始學(xué)習(xí) DL 的方式，解釋了如何快速開始建設(shè)并且在實(shí)踐中學(xué)習(xí)所有知識。它解釋了最高級的工具（ Keras, TensorFlow ），而且?guī)泱w驗(yàn)不同的實(shí)踐課題，解釋如何通過那些最好的 DL 應(yīng)用來達(dá)到藝術(shù)效果。

在 Google 上也有 DL 課程的介紹 ，而且有 Sephen Welch 對于神經(jīng)網(wǎng)絡(luò)的詳細(xì)介紹。

之后，如果想獲得更多深層次的資源，這里有一些很有趣：

· Geoffrey Hinton 的coursera 課程“機(jī)器學(xué)習(xí)中使用的神經(jīng)網(wǎng)絡(luò)”。這門課程會(huì)帶你了解 ANN 的經(jīng)典問題——MNIST 字符識別，并且深入解釋所有問題。

· MIT 《深度學(xué)習(xí)》這本書。

· 斯坦福的 UFLDL 教程 （其他鏈接）

· deeplearning.net tutorials  

· Michael Nielsen 的《神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)》一書

· Simon O. Haykin 的《Neural Networks and Learning Machines》一書

三、人工智能

·  《人工智能：一種現(xiàn)代方法（AIMA）》 是一本關(guān)于“守舊派” AI最好的書籍。這本書總體概述了人工智能領(lǐng)域，解釋了所有讀者需要知道的基本概念。

· UC Berrkeley 的《人工智能課程》是一系列經(jīng)典視頻講座，該課程通過一種非常有趣的實(shí)踐項(xiàng)目（訓(xùn)練人工智能來玩 Pacman 游戲 ）解釋了人工智能的基本知識。我建議該系列視頻講座結(jié)合 AIMA 這本書一起看，因?yàn)橐曨l講座就是以這本書為基礎(chǔ)，從不同角度解釋了很多相似的概念，使這些概念更容易理解，講解深度較深，對初學(xué)者來說是不錯(cuò)的資源。

大腦如何工作

如果你對人工智能感興趣，你可能很想知道人的大腦是怎么工作的，下面的幾本書會(huì)通過一種直觀、有趣的方式解釋最好的現(xiàn)代理論。

· Jeff Hawkins 的 《On Intelligence》（有聲讀物）

· 《G?del, Escher, Bach》

我建議通過這兩本書入門，這兩本書能很好地向你解釋大腦工作的一般理論。

其他資源

· Ray Kurzweil 的《How to Create a Mind》  （有聲讀物）

· 《Principles of Neural Science》這是我能發(fā)現(xiàn)的關(guān)于 NS 最好的一本書。 這本書討論了硬核科學(xué)，神經(jīng)解剖學(xué)等。這本書很有意思，但是有點(diǎn)長——我現(xiàn)在還在讀。

四、數(shù)學(xué) 

學(xué)習(xí)人工智能，這里有你需要了解的最基本的數(shù)學(xué)概念：

微積分學(xué)

· 可汗學(xué)院的微積分視頻課

· MIT關(guān)于 Multivariable Calculus 的講座 

線性代數(shù)

· 可汗學(xué)院線性代數(shù)視頻課

· Gilbert Strang的 MIT線性代數(shù)視頻課 

· Coding the Matrix?—? 布朗大學(xué)關(guān)于為計(jì)算機(jī)科學(xué)專業(yè)開設(shè)的線性代數(shù)課程 

概率與統(tǒng)計(jì)

· 可汗學(xué)院概率和統(tǒng)計(jì)視頻課

· edx probability course 

五、計(jì)算機(jī)科學(xué)

要想掌握人工智能，你需要熟悉計(jì)算機(jī)科學(xué)和編程。

如果你剛剛開始了解，我建議你讀一讀 《Dive Into Python 3》這本書。這本書很棒，能夠讓你學(xué)到在 Python 中編程所需要的大多數(shù)知識。

想從更深層次上了解計(jì)算機(jī)編程的本質(zhì)——看一下 MIT 的經(jīng)典課程。 這門課以計(jì)算機(jī)科學(xué)專業(yè)最有影響力的一本書《Structure and Interpretation of Computer Programs》為基礎(chǔ)，講述了LISP語言和計(jì)算機(jī)科學(xué)的基本知識。

六、其它資源

· Metacademy?—? 是你知識的“管理器大禮包”。你可以利用這個(gè)工具來了解學(xué)習(xí) ML不同課程需要的所有預(yù)備知識。 

· kaggle?—?機(jī)器學(xué)習(xí)平臺

因?yàn)槲艺趯W(xué)習(xí)更多關(guān)于 AI 和 ML 的知識，所以我會(huì)不斷對這份列表進(jìn)行補(bǔ)充。 如果你有好的建議，你可以點(diǎn)擊這里留言，或者給我發(fā)郵件raymestalez@gmail.com。

如果你對學(xué)習(xí)人工智能和深度學(xué)習(xí)感興趣，你可以訂閱我的博客，我會(huì)在這里發(fā)布所有與人工智能和深度學(xué)習(xí)有關(guān)的有趣文章。

via medium

推薦閱讀：

16個(gè)新手必看的機(jī)器學(xué)習(xí)視頻教程

干貨分享｜深度學(xué)習(xí)零基礎(chǔ)進(jìn)階第三彈

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。