深度学习
$深度学习\subset 机器学习\subset 人工智能$
因此制定学习路线:
数学:复习以下基本知识。线性代数:矩阵乘法;高数:求导;概率论:条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补。
继续机器学习:推荐,机器学习(周志华):如果是在以前,机器学习方面的经典教材首推PRML,但现在周老师的书出来以后,就不再是这样了。首先推荐读周老师的书。这本书有一个特点,那就是再难的道理也能用浅显精炼的语言表达出来。正如周老师的名言:“体现你水平的地方是把难的东西讲容易了,而不是把容易的东西讲难,想把一个东西讲难实在太简单”;
应用实例:
- Alphago 计算和增强学习
- 无人驾驶
- amazongo
- 语音识别
- 机器翻译
- 推荐系统
- 广告
深度轮子:MXNet/Gluon
Caffe偏向产品(部署容易)
Matlab(开发容易)
pytorch+maxnet+chainer+keras–>Gluon
基础
- 线性模型
- CNN
- RNN
- 求导
- 训练
Gluon最佳实践
- hybridize
- 自动并行
- 多卡训练
计算机视觉
自然语言处理
增强学习
对抗网络
GAN(Generative Adversarial Network)即生成对抗网络,通常由两个神经网络D和G组成,其中D指的是判别器(Discriminator),而G指生成网络(Generative Network)。这种模型的目标是创建数据,例如创建与真实图像并无二样的图像。假设我们想要创建一只猫的对抗示例。神经网络G负责生成图像,而神经网络D则负责判断图像是否是猫。G的目标是“愚弄”D——将G的输出始终分类为猫。
推荐系统
参考链接:
如何转向AI方向
请多多指教。
文章标题:深度学习
本文作者:顺强
发布时间:2019-02-18, 23:59:00
原始链接:http://shunqiang.ml/deep-learning-start/版权声明: "署名-非商用-相同方式共享 4.0" 转载请保留原文链接及作者。