背景
今天在 github 上看到了 datawhale 发布的 李宏毅机器学习笔记。
https://datawhalechina.github.io/leeml-notes
其目录如下：
- P1 机器学习介绍
- P2 为什么要学习机器学习
- P3 回归
- P4 回归-演示
- P5 误差从哪来？
- P6 梯度下降
- P7 梯度下降（用 AOE 演示）
- P8 梯度下降（用 Minecraft 演示）
- P9 作业 1-PM2.5 预测
- P10 概率分类模型
- P11 logistic 回归
- P12 作业 2-赢家还是输家
- P13 深度学习简介
- P14 反向传播
- P15 深度学习初试
- P16 Keras2.0
- P17 Keras 演示
- P18 深度学习技巧
- P19 Keras 演示 2
- P20 Tensorflow 实现 Fizz Buzz
- P21 卷积神经网络
- P22 为什么要「深度」学习？
- P23 半监督学习
- P24 无监督学习-线性降维
- P25 无监督学习-词嵌入
- P26 无监督学习-领域嵌入
- P27 无监督学习-深度自编码器
- P28 无监督学习-深度生成模型 I
- P29 无监督学习-深度生成模型 II
- P30 迁移学习
- P31 支持向量机
- P32 结构化学习-介绍
- P33 结构化学习-线性模型
- P34 结构化学习-结构化支持向量机
- P35 结构化学习-序列标签
- P36 循环神经网络 I
- P37 循环神经网络 II
- P38 集成学习
- P39 深度强化学习浅析
- P40 机器学习的下一步
由于李宏毅的课程内容通俗易懂，对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的。
李宏毅（Hung-yi Lee）目前任台湾大学电机工程学系和电机资讯学院的助理教授，他曾于 2012 年获得台湾大学博士学位。2012年9月至2013年8月，Academia Sinica信息技术创新研究中心博士后。2013年9月至2014年7月，麻省理工学院计算机科学和人工智能实验室( CSAIL )语言系统组的访问科学家。他的研究方向主要是机器学习（深度学习）和语音识别。
机器学习
课程目录：
- 1、The Next Step for Machine Learning
- 2、Anomaly Detection
- 3、Attack ML Models
- 4、Explainable ML
- 5、Life Long Learning
- 6、Meta Learning - MAML
- 7、Meta Learning - Gradient Descent as LSTM
- 8、Meta Learning – Metric-based
- 9、Meta Learning - Train+Test as RNN
- 10、More about Auto-encoder
- 11、Network Compression
- 12、GAN (Quick Review)
- 13、Flow-based Generative Model
- 14、Transformer
- 15、ELMO, BERT, GPT
课程视频：
https://www.bilibili.com/video/av46561029/
课程主页：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html
深度学习
课程目录：
- 1、Introduction of Machine Learning
- 2、Why we need to learn machine learning
- 3、Regression - Case Study
- 4、Regression - Demo
- 5、Where does the error come from
- 6、Gradient Descent
- 7、Gradient Descent (Demo by AOE)
- 8、Gradient Descent (Demo by Minecraft)
- 9、Classification
- 10、Logistic Regression
- 11、Brief Introduction of Deep Learning
- 12、Backpropagation
- 13、“Hello world” of deep learning
- 14、Keras 2.0
- 15、Keras Demo
- 16、Tips for Training DNN
- 17、Keras Demo 2
- 18、Fizz Buzz in Tensorflow (sequel)
- 19、Convolutional Neural Network
- 20、Why Deep
- 21、Semi-supervised
- 22、Unsupervised Learning - Linear Methods
- 23、Unsupervised Learning - Word Embedding
- 24、Unsupervised Learning - Neighbor Embedding
- 25、Unsupervised Learning - Auto-encoder
- 26、Unsupervised Learning - Deep Generative Model (Part I)
- 27、Unsupervised Learning - Deep Generative Model (Part II)
- 28、Transfer Learning
- 29、Support Vector Machine (SVM)
- 30、Structured Learning - Introduction
- 31、Structured Learning - Linear Model
- 32、Structured Learning - Structured SVM
- 33、Structured Learning - Sequence Labeling
- 34、Recurrent Neural Network (Part I)
- 35、Recurrent Neural Network (Part II)
- 36、Ensemble
- 37、Deep Reinforcement Learning
- 38、Policy Gradient (Supplementary Explanation)
- 39、Reinforcement Learning (including Q-learning)
课程视频：
https://www.bilibili.com/video/av19144978/
课程主页：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
深度学习理论
课程目录：
- 1、Can shallow network fit any function
- 2、Potential of Deep
- 3、Is Deep better than Shallow
- 4、When Gradient is Zero
- 5、Deep Linear Network
- 6、Does Deep Network have Local Minima
- 7、Geometry of Loss Surfaces (Conjecture)
- 8、Geometry of Loss Surfaces (Empirical)
- 9、Generalization Capability of Deep Learning
- 10、Indicator of Generalization
课程视频：
https://www.bilibili.com/video/av20961661
图书推荐：
- 作 者：华为区块链技术开发团队 著
- 出版社：清华大学出版社
- 作 者：[美] Roger，Wattenhofer（罗格.瓦唐霍费尔） 著，陈晋川 等 译
- 出版社：电子工业出版社
- 作 者：杨保华，陈昌 著
- 出版社：机械工业出版社
- 作 者：裴尧尧 著
- 出版社：机械工业出版社
- 作 者：张健 著
- 出版社：机械工业出版社
相关图文：
