最近几年，尤其是自从2016年Alpha Go打败李世石事件后，人工智能技术受到了各行业极大关注。其中以机器学习技术中深度学习最受瞩目。主要原因是这些技术在科研领域和工业界的应用效果非常好，大幅提升了算法效率、降低了成本。因而市场对相关技术有了如此大的需求。
我在思考传统行业与这些新兴技术结合并转型的过程中，亦系统的回顾了深度学习及其相关技术。本文正是我在学习过程中所作的总结。我将按照我所理解的学习路径来呈现各部分内容，希望对你亦有帮助。欢迎一起交流。
主要分为如下几个部分：
- 数学基础：包括微积分、线性代数等对理解机器学习算法有帮助的基本数学。
- Python：
Python提供了非常丰富的工具包，非常适合学习者实现算法，也可以作为工业环境完成项目。主流的深度学习框架，例如TensorFlow、Keras都把Python作为首选语言。此外，主流的在线课程（比如Andrew Ng在Coursera的深度学习系列课程）用Python作为练习项目的语言。在这部分，我将介绍包括Python语言基础和机器学习常用的几个Library，包括Numpy、Pandas、matplotlib、Scikit-Learn等。 - 机器学习：介绍主流的机器学习算法，比如线性回归、逻辑回归、神经网络、SVM、PCA、聚类算法等等。
- 深度学习：介绍原理和常见的模型（比如
CNN、RNN、LSTM等）和深度学习的框架（TensorFlow、Keras）。 - 强化学习：TBD
- 实践项目：这里将结合几个实际的项目来做比较完整的讲解。此外结合
Kaggle、阿里云天池比赛来做讲解。
因为内容正持续更新中，未完成的部分标识有TBD (To be done)。
机器学习绪论一文中总结了机器学习领域和其解决的问题介绍，建议先读此文，以便有一个系统认知。
微积分和线性代数的基础是必须要掌握的，不然对于理解学习算法的原理会有困难。如果已经有一定的数学基础，可以先跳过这一部分，需要的时候再回来补。这里的Notes是基于Coursera中Mathematics for Machine Learning专题做的总结。
如果有比较好的Python和机器学习相关Library的知识，对于学习算法过程中的代码可以快速理解和调试，一方面节省时间，另一方面也可以更聚焦在算法和模型本身上。
主要基于Machine Learning (Coursera, Andrew Ng) 的课程内容。
- 机器学习绪论
- 吴恩达的机器学习笔记
- 周志华的机器学习笔记（西瓜书）
- [Applied Machine Learning in Python - 密西根大学]
主要基于Deep Learning (Coursera, Andrew Ng) 的专题课程 ，介绍深度学习的各种模型的原理。
- TBD
- TBD
- TBD
- TBD
- Kaggle（全球赛、推荐的平台）
- 天池 - 阿里云（中国）
- DataFountain（中国）
- SODA - 开放数据创新应用大赛（中国）
- 一些资料电子书（OneDrive分享，可能被墙）
- Anaconda：Python懒人包，除了Python本身还包含了Python常用的资料分析、机器学习、视觉化的套件（例如上面列的Numpy、Matplotlib等，以及对于深度学习初学者很重要的Jupyter Notebook）。
- 机器学习在线环境
- Google Colaboratory：Jupyter环境
- IBM Cognitive Class Lab：Jupyter环境
- 编辑用工具