《深度学习/数据分析从入门到放弃》（0基础深度学习/数据分析学习路线及清单）

摘要：
本文档是结合个人自学情况，整理的从0基础开始到深入（虽然还不是很深入）的深度学习学习路线及清单，包括：数学、编程、计算机专业课程、机器学习、深度学习、论文等这样一个路线，视频材料皆可免费学习，里面有很多不完整之处，尤其是后面，后期持续更新.
注：1. 数学、2. 编程、4. 机器学习部分可以作为数据分析的学习路线.
说明：
选学：【选学】：不作为主体学习内容，可跳过；
语言：【中】；【英】：原版为英文，实际皆有翻译；
体裁：【书籍】；【视频】；【文档】；【代码】；
评价：# 后为对本学习材料的简要评价，有评价的为本人已学过材料；

0 引言

结合个人自学情况，整理从0基础开始，深度学习从入门到深入（虽然还不是很深入）的学习路线及清单，包括：

1.数学（数学是永恒的基础，深度学习需要的数学内容也比较基础，其实就大学的那三门）→ 2. 编程（最终一定是通过代码实现，所以要学这个，现在主流的就是Python）→ 3. 计算机专业课程（选学，四大计算机基础课程，不学也不影响后续的学习，但从深入的角度，能掌握最好，至少有个概念）→ 4. 机器学习（选学，从概念上来说，机器学习包括了深度学习，这部分学习的主要是传统机器学习的内容，如能先学习，对于后续学习深度学习可以有一个铺垫，直接进入深度学习部分也行）→ 5. 深度学习（最终要达到的主体内容，目前人工智能的主流方法）→ 6. 论文（根据自身的方向，进一步深入理解和掌握各种算法和代码）.

对我个人是一次整理，也希望对他人有所参考，实际可根据自身情况选择学习，并非每个材料都需要学习，视频材料皆可免费学习，里面有很多不完整之处，尤其是后面，后期持续更新，如链接丢失，可重新搜索获取，如有任何问题，请指出，谢谢.

另：关于数据分析，主要是三方面，数学、工具和业务，本文档的1. 数学、2. 编程、4. 机器学习对应数学和工具内容，业务需根据自身情况去掌握.

1 数学

微积分

  • 考研教材【中】【书籍】
  • 托马斯微积分 Thomas' Calculus【英】【书籍】

线性代数

  • 考研教材【中】【书籍】
  • MIT线性代数【英】【视频】
    #不像国内教程，单注重计算，有注意理解本质
  • 线性代数的本质【英】【视频】
    #主要通过几何方式的直观理解，和教材不同，没有计算这些，可以说是打开了线性代数的另一扇门，强烈推荐。这个链接不知道为什么打不开，可自行搜索

概率论与数理统计

  • 考研教材【中】【书籍】

离散数学

2 编程（Python）

3 计算机专业课程【选学】

C/C++

数据结构

计算机组成原理

操作系统

计算机网络

4 机器学习【选学】

理论

  • 机器学习（西瓜书）【中】【书籍】
  • 吴恩达机器学习

实战

5 深度学习

理论

  • 吴恩达深度学习【英】【视频】
    #深入浅出，极易理解，深度学习最佳入门，没有之一
  • 深度学习（花书)【英】【书籍】
    #进阶内容，非常难理解
  • 《深度学习》花书啃书指导【中】【视频】
    #非常简单，只讲了个别概念，带了一遍目录，基本没什么实际内容

实战

计算机视觉

目标检测

6 论文

UP主

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容