营销课
excel
08：00—18：00；
9个小时的视频，加上复习，变为36小时。每天学习4个小时，10学习完。
刚好：0611----0621。
001MS-office
B站收藏夹又全家桶教程
- word
- ppt
- excel
搜索
19：00—20：00
原版无阻碍
20：00—22：00
五年内要考下来的证书
19——23
- 001初级会计师
参加初级资格考试的人员必须在一个考试年度内通过全部科目的考试。方可获得会计专业技术初级资格证书。
合格标准：每科均为60分合格。
科目：会计专业技术初级资格考试设《初级经济法基础》、《初级会计实务》两个科目。
报名时间：预计前一年的九月份，十一月份，
考试时间：本年5月11——5月20 - 002注册会计师
- 003律师资格证
- 004金融分析师
other
004 英语原版无阻碍
005 数学
- 数学分析-陈纪修
- 高等代数-丘维声
- Probability and statistics
- Optimization
- 006 学习python & Java
- 背单词
- 四级
- 六级
- ielts
- TOEFL
- gre
- 学堂在线
- CEO来了
- 郑毓(yu)煌直播课
180523，20:00，说实话并不怎么样，挺失望的。
- 已完成
- 005 答辩
通读论文，搞懂其中的逻辑
607
制作ppt，模拟答辩
608
复习论文，模拟
609
复习，模拟
610 - 004 论文
- 003 电路理论
- 002 自动控制
- 001 找工作
- 008 时间够就
- 002前端
极客学院全家桶教程
要多敲，一定要多敲
极客学院 - 003怎样学习
- 004地理学
《地理学与生活》 - 005经济学
曼昆两本书
mooc：微观经济学
学会看财务报表 - 006中国历史
- 007AI
机器学习
深度学习
Andrew Ng
我认为几乎每个人都应该学习编程，就像几乎每个人都应该学习阅读/写作一样。
cousera上的课
其他课程
建议
任何人都能成为机器学习专家
深度学习泡沫何时会破？
大约100年前关于电力也有很多炒作。那个泡沫现在也还没破，我们发现电力很有用！
讲真，深度学习已经创造了大量的价值——用于网络搜索，广告，语音识别，推荐系统等等——这些显然是不会消失的。深度学习，还有更广泛的其他AI工具（图模型，规划，KR等），现在都有一个明确的路径在引导行业转型。深度学习的影响将超越科技界。
话虽如此，我认为在核心技术界之外，有一些过分夸张的对“有感知力的AI”（sentient AI）的期望；我也和很多CEO交流过，他们似乎认为AI是所有技术问题的灵丹妙药。所以，在深度学习中是有一些不必要的泡沫，我希望这些较小的泡沫破掉——在它们有时间发展壮大之前，越早破掉越好。
学完你在Coursera上的ML课以后可以做些什么项目？
想新项目的一个好方法是花时间研究以前的老项目。
大脑很神奇。当你学习一类工作（例如ML项目）的许多例子后，你能学习概括并想出这类问题新的例子。这也是为什么很多艺术家通过复制大师作品来学习绘画——如果你参观美术馆，你有时会看到艺术生坐在地板上临摹墙上展示的艺术作品。同样，很多研究人员通过复现旧研究论文的结果来学习发明新的算法。对于我来说，正是因为在不同的公司看到了很多实际的ML案例，我现在才能定期为ML转型公司找到新的机会。
所以，如果你想知道如何做有趣的项目，阅读（也许复现）你喜欢的以前的旧项目，你会开始产生你自己的想法。你可以参考我斯坦福大学的学生最近的这个项目：CS 229机器学习最终项目，2016年秋（http://cs229.stanford.edu/projects2016.html）
最后，当你完成一个有趣的项目时，请写一篇Arxiv论文或博客文章，也许在Github上开源代码，并与社区分享！这样，其他人现在可以反过来学习你。此外，你还可以获得更多的反馈，从而加速你的学习。
除了研究以前的例子，我还花时间和人聊天，包括ML以外的领域专家（例如，我花费了大量时间与医疗保健专家进行交谈），这通常会激发新项目在ML和医疗保健等领域。
ML的初学者，学完了ML和DL MOOC，如何更进一步，提升到新水平，能阅读论文，在行业中有贡献？
课程是非常有效的学习方式，作为开始很好。学完以后，下面是你可以采取一些额外的步骤：
关注Twitter上的ML大V，看看他们关注哪些研究论文/博客文章等。去看这些论文和文章。
复现他人发表的结果。这是一个掌握ML非常有效但却被低估的方式。看到很多新的斯坦福大学博士生成长为很棒的研究人员，我可以自信地说，复现他人的成果（不只是阅读论文）是最有效的方式之一，这样能确保你了解最新的细节算法。许多人大步跃进试图发明新的东西，当然这也值得一试，但实际上发明新东西反而是学习和建立知识基础比较慢的方式。
当你看完足够多的论文/博客，并复现足够多的结果后，很奇妙地，你会开始产生自己的意见和想法。当你自己建立新的东西时，发表一篇论文或博客文章，并考虑开源代码，与社区分享！这将有助于你从社区获得更多反馈，并进一步加速你学习的过程。
参加任何其他帮助你学习的活动，如在线比赛，线下讨论会，参加（或观看在线视频）好的AI/ML/视觉/NLP/语音学术大会，比如ICML，NIPS和ICLR等会议。
找朋友跟你一起做。你可以自己取得很大的进步，但跟朋友交换意见和想法将有助于你学习，并使学习过程更有趣。如果你认识教授，博士生或优秀研究人员，也可以与他们多交流。有时候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun这些人交流5分钟就学到一大堆的东西，当然，跟来自我在斯坦福博士的博士生，deeplearning.ai的团队成员，还有我参观的各个公司的工程师交流，也能得到很多启发。
尽管跟朋友有合作很重要，但如果你朋友不同意你的想法，有时候你仍然应该去做，自己尝试去实现。Geoff Hinton在接受deeplearning.ai采访中说过类似的话。
我知道的每个世界级的ML研究员都花了很多时间来实现算法，调整超参数，阅读论文，以及自己找出什么有用什么不起作用。我觉得这种类型的工作也很有趣，希望你也会这样。
想从事ML相关工作，不知道自己是否够格。有什么检测的方法吗？
你肯定够格的！无论目前的知识水平如何，只要你不断努力，继续学习，你就可以成为机器学习的专家，并且有很好的职业发展。
任何对机器学习感兴趣的人，请从学习编程开始。当你掌握编程基础后，可以考虑机器学习课程（比如Coursera的机器学习），然后考虑深度学习专门课程（比如deeplearning.ai）。
再进一步，你可以阅读研究论文（关注Twitter上的ML大V，看看他们感兴趣的论文）。尝试复现研究论文的结果就更好了。试着去复现他人的结果是掌握AI最有效的方法之一，可惜很少有用。你还可以考虑参加在线ML竞赛和学术会议等活动，并继续阅读书籍/博客/论文。
你是不是有资格在机器学习领域工作真的不重要——我确定你肯定够资格！你要做的只是要去学习，让你越来越适合而已。
掌握哪些数学知识才能学好ML和AI？
我认为机器学习中最重要的数学依次是：
线性代数
概率和统计
微积分（包括多变量微积分）
优化
这以后其他的相关度都快速降低。我发现信息理论也有帮助。你可以在Coursera或大多数大学找到所有这些课程。
我认为有机会学习相关数学和机器学习的博士已经减少了，因为机器学习已经变得更偏向经验（基于实验），较少理论，特别是深度学习的兴起，让这一趋势更加明显。
我在读博士的时候，很喜欢真实的分析，也研究了微分几何，测量理论和代数几何。你如果能了解这些领域当然更好，但如果时间有限，你可以考虑用更多的时间学习机器学习本身，甚至研究一些建立AI系统的其他技术基础，例如正在建设大型数据系统和如何组织巨型数据库以及HPC（高性能计算）的算法。
应用
自动驾驶
2017.12.30：北京已有无人地铁，天津港已有无人集装箱货运车 - 008文案策划
- 009Ps
