1. 引言
您想学习人工智能？但不知道如何开始，也不知道从哪里开始？互联网上的资源总是丰富多彩，质量参差不齐，往往容易看花眼而无从下手。
鉴于此，本文重点推荐一些个人收集的还不错的一些资源供大家学习参考，如有遗漏，欢迎留言！
2. Machine Learning
从头开始实现
在学习理论的同时，从头开始编写实现机器学习算法。查看下面的资源库：
ML-From-Scratch网站: 链接HomemadeMachineLearning网站: 链接JeremyNixon/oracle网站：链接
如果你想挑战一下自己，可以通过学习以下课程从头开始实现简单版本的PyTorch。
MiniTorch网站：链接
参加竞赛
学以致用，强烈推荐大家参加Kaggle举行的关于机器学习的竞赛，如下：
Kaggle网站: 链接
研究过去举办比赛的成功解决方案，如下：
Kaggle-solutions网站： 链接
模型部署
将模型投入生产。跟踪实验学习如何监控模型。以下是一些极好的资源推荐：
Made With ML网站： 链接Free MLOps course网站： 链接machine-learning-systems-design网站：链接- 显而易见的人工智能–ML 系统设计：300 个案例研究： 链接
- 机器学习工程在线图书：链接
其他资源
推荐一些其他不错的资源，如下：
-
【书籍】使用PyTorch和Scikit-Learn进行机器学习：链接
-
【论文】机器学习中的模型评估、模型选择和算法选择：链接
-
【书籍】机器学习面试入门指南：链接
-
【书籍】百页机器学习： 链接
3. Deep Learning
推荐课程
如果你喜欢先编码，后理论，那么首推FastAI课程，如下：
- FastAI Part1： 链接
- FastAI Part2：链接
如果你喜欢FastAI的风格，这里有更加全面的课程：
Full Stack Deep Learning网站： 链接DEEP LEARNING COURSE网站： 链接
推荐书籍
如果在某些时候需要接触理论，那么下面这些都是很好的书籍推荐：
-【书籍】Dive into Deep Learning:（包含PyTorch/NumPy/MXNet/TensorFlow的代码示例）: 在线链接
-【书籍】Deep Learning：在线链接
-【书籍】Neural networks and deep learning：在线链接
-【书籍】Understanding Deep Learning：在线链接
-【书籍】The Little Book of Deep Learning ：深度学习小书，适合用手机看 在线链接
推荐网站
当你训练的网络不收敛时，可以查阅以下资料：
-【网站】训练神经网络的秘诀：A Recipe for Training Neural Networks 在线链接
-【网站】深度神经网络-33 年前和 33 年后：在线链接
其他资源
- 推荐一个由
labml.ai建立的用Pytorch实现论文的代码注释，链接 Papers with Code，该网站是一个很好的资源汇总网站，比如这是他们网站上对 BERT 的解释，如下网站
计算机视觉
CS231n: 很多人推荐的计算机视觉首选课程，这门课很有挑战性，但如果你能学好，也是值得的。 网站
自然语言处理
CS224N：斯坦福大学的另一门精彩课程，经典值得学习。网站
- Learn Hugging Face: Hugging Face NLP Course： 网站
推荐文章
BERT Research网站： 链接- 图解
Word2vec网站 ： 链接 Illustrated BERT网站：链接Understanding-LSTMs网站: 链接PyTorch RNN from Scratch网站：链接
4. 总结
事实上，大家要学的东西很多，而且永远学不完，尤其是人工智能，每周都有新的革命性论文和想法发布。希望大家知道如何利用这些信息，如何将其转化为知识与公众分享，以及从这些信息中产生了哪些新颖的想法和解决方案。
我的清单并不详尽，但如果您之前学习过一些优秀的资源，欢迎留言，大家一起完善相关技术学习指南。
5. 电子书籍获取
关注公众号《AI算法之道》，后台回复<资源>即可获取链接。
天南地北，交个朋友，可以加小编微信AIWay1024，拉你进粉丝群。
