看了《机器学习速成课程》的相关新闻，开始关注并学习TensorFlow。
然后就被里面的各种名词搞蒙了：逻辑回归、梯度下降、过拟合……
稀里糊涂把教程坚持下来了，感觉读了遍天书
于是老老实实从基础学。
花了一个月时间学习python，认真练习NumPy，Pandas，matplotlib。
机器学习的各种算法了解了点原理，公式基本看不懂，推导更是完全蒙圈。
不过再看相关教程，感觉不那么陌生了，看来是有用。
进一步了解到TensorFlow是众多机器学习框架中的一个，也是最流行的那个。
这样算是有了点基础了，虽然不大牢固吧，但是再看TF觉得不那么困难了。
刚开始看TF，做了MNIST的那个入门例子。
运行出来了，但不大了解原理。
一点点学习里面用到的每一个函数。
花了两天时间，把例子用到的函数都写代码练习了一遍。
特别是feed_dict的使用，做了各种尝试。
然后再看这个例子，觉得基本上理解了。
总结如下：
- python基础必须有。即便不精通，至少不影响读代码。
- 数学基础可以不特别深厚。达不到推导公式的水平，但应该了解那些公式的名字和作用。
- 机器学习的基础知识需要补补，例如：回归与分类，训练集测试集验证集，准确率召回率……
- 不能贪快。稀里糊涂做完Demo，没弄透，到头来还是不会用。必须扎扎实实往前走。
- TF学习对基础不好的初学者来说，是个庞大的工程，做好长期学习准备。
推荐大家一个可以看模型的神器，Netron. 链接： https://github.com/lutzroeder/netron
这个软件工作中作用不小，在美国社区已经挺普及的了。它可以直接显示整个graph的flow，适用于.meta, .pb，.tflite格式。
比如freeze出了一个.pb file，直接就可以用这个软件打开看，每一个node的名字，weights的type, shape和values都一目了然。还自带每一个op的definition有的还带数学解析。
不少人现在需要用到fake quantization, 用这个软件可以清晰的看出哪些地方加了fake quantized nodes，哪些地方该加的没加导致toco报错（那些min/max缺失的错）。toco转化完以后还可以打开看.tflite的quantized model。
[课程推荐] 北大曹健教授的人工智能实践：TensorFlow笔记
课程内容如下:
第一讲 带着大家梳理人工智能领域的基本概念：比如什么是人工智能、什么机器学习、什么是深度学习，他们的发展历史是什么，能用他们做什么。课后，助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境，把同学们的电脑进行改造，让它变得更专业。
第二讲 串讲python语法：课程将帮同学们在最短的时间内把python语法织成网，为后续课程扫清代码关；
第三讲 讲解Tensorflow的关键词，搭建神经网络：这节课会介绍张量、计算图、会话等概念，并用Python搭建你的第一个神经网络，总结出神经网络搭建的八股。
第四讲 讲解神经网络的优化：包括损失函数、学习率、滑动平均和正则化。
第五讲 讲解全连接网络：使用MNIST数据集，搭建全连接网络实现手写数字的识别。包括前向传播、反向传播、识别准确率输出和反向传播断点续训。
第六讲 讲解全连接网络应用：更改上一讲全连接网络的代码，现场手写一个数字，输出这个数字的值。
第七讲 讲解卷积神经网络：使用MNIST数据集，搭建卷积神经网络实现前向传播、反向传播、识别准确率输出和反向传播断点续训。
第八讲 讲解卷积神经网络应用：复现ImageNet数据集训练好的模型，实现特定图片的识别。
课程在中国大学MOOC上
https://www.icourse163.org/course/PKU-1002536002
这门课整体上来说还是十分难得的，但是必须要说的是对于没有基础的非常有难度，整体上要求有基本的代码阅读能力，基础的线性代数知识和一般化的电脑软件安装能力。对于零基础的小白来说真的是非常好的入门课程，老师的讲解和助教笔记都非常细致。循序渐进式的学习，需要对不清楚的地方多问多看多想，建议没有基础的同学多看几遍，至少讲的部分要全会。可以确定的是，由于人工智能的一定门槛，可能这门课的主要目的也没有想让所有人能理解大部分知识。但总体而言，这门课是降低了大家学习的门槛的，每一节课都非常具有含金量。
课程学习链接：https://www.icourse163.org/course/PKU-1002536002
第一讲 人工智能概述
1.1-概述
1.2-双系统安装
1.3-Windows虚拟机安装
1.4-Mac Tensorflow安装
1.5-Windows Anaconda TensorFlow安装
第二讲 Python语法串讲
2.1-Linux指令、Hello World
2.2-列表、元组、字典
2.3-条件语句
2.4-循环语句
2.5-turtle模块
2.6-函数、模块、包
2.7-类、对象、面向对象的编程
2.8-文件操作
第三讲 Tensorflow框架
3.1-张量、计算图、会话
3.2-前向传播
3.3-反向传播
第四讲 神经网络优化
4.1-损失函数
4.2-学习率
4.3-滑动平均
4.4-正则化
4.5-神经网络搭建八股
第五讲 全连接网络基础
5.1-MNIST数据集
5.2-模块化搭建神经网络八股
5.3-手写数字识别准确率输出
第六讲 全连接网络实践
6.1-输入手写数字图片输出识别结果
6.2-制作数据集
第七讲 卷积网络基础
7.1-卷积神经网络
7.2-lenet5代码讲解
第八讲 卷积网络实践
8.1-复现已有的卷积神经网络
8.2-用vgg16实现图片识别
第九讲 课程项目分享
9.1-真实复杂场景手写英文体识别
9.2-二值神经网络实现MNIST手写数字识别
9.3-车牌号码识别
9.4-人脸表情识别
9.5-实时目标检测、识别、计数和追踪
9.6-图片自动上色
9.7-图像风格融合与快速迁移
9.8-图像中文描述
9.9-跨模态检索
9.10-强化学习实现“不死鸟” FlappyBird
《Tensorflow：实战Google深度学习框架》 郑泽宇，顾思宇 著，电子工业出版社
《深度学习》赵申剑，黎彧君，符天凡，李凯 译，人民邮电出版社
有空时，可以看看电影 《人工智能》 让自己充满热情地进入这个领域。
机器学习资料准备以及自学方法及资料更新(持续更新)
1、资料、课程
人工智能太火了，资料特别多，但是鱼龙混杂，实际上经典的课程资料 paper就足够，到后期一定要注重多看paper
- 吴恩达系列
吴恩达老师真乃人工智能届的孔夫子，在这个水平上还能致力于基础教学和入门推广功德无量啊，吴老师的课讲的也是真的好。
CS229，强推，Stanford的公开课，网易云课堂有2008年的课件和讲义，我就是对着这个学的，打印讲义一点点对着推吧。
Coursera Machine Learning，Coursera的课比较基础，其实有了CS229就不推荐看这个了。
DeepLearning.ai，也是偏基础的课程，不过还是很值得看，对传统机器学习、CV、NLP都有一个不是很深入的讲解，作为入门很棒。
Machine Learning Yearning，这本书也是偏基础，工程向，讲了实际工程项目中调参等等东西，我学的时候只出了前几章，后面没有看过。
- 李沐 动手学深度学习系列
网址是http://zh.gluon.ai/，强推，非常好的课程，李沐是机器学习的大家，在分布式机器学习领域非常有建树，除了广为人知的mxnet，还有parameterserver，这里就不展开说了。李沐的课程是将门斗鱼的直播，都录了下来，在网站上还有配套的代码讲解和书籍，唯一美中不足是基于gluon，这个稍微冷门一些。
- 莫凡系列
网址是https://morvanzhou.github.io/，怎么说呢，比起其他课程还是逊色不少，不过讲的很基础，而且是不多的讲解RL的中文课程。
- 其他公开课
CS231N，强推，stanford公开课之二,李飞飞的cv实验室出品，讲师是大名鼎鼎的Justin Johnson，虽然是讲CV，但对DeepLearning的基础也讲的非常详细，cs229是最好的ML课程，cs231n是最好的DL课程。
附加：算法导论 6.046J，大名鼎鼎的MIT算法导论公开课，虽然不是ML/DL向，但是基础算法还是要会的，毕竟算法工程师首先是工程师，课程较难，很多名校本科上过这门课，大部分没有上过，还是有必要抽空看看的
2、书籍
《CS229讲义》，为啥把这个单独拿出来说呢，因为这个讲义真的就是一本书，有详细的推导过程，并且很多同学看公开课会忽略讲义，一定注意。
《统计学习方法》 李航，机器学习最常用的书，人称小蓝书，其实这本书不适合入门，里面很多推导晦涩难懂，但是讲的很详细。有些地方的推导方式和写作习惯跟吴恩达不一样，所以两个一起看有时候会很迷。
《机器学习》 周志华，人称西瓜书，不仅封面是西瓜，里面的例子也全是西瓜。难度比《统计学习方法》简单不少，还有各种西瓜例子，入门首选。
3、项目
项目的话强烈推荐kaggle！！！！
在开始kaggle之前，请看看Kaggle的三个GettingStarted比赛，分别是手写识别（CV），泰坦尼克预测（分类），房价预测（回归），这三个比赛就是教学比赛，kernel和discuss版块有大量的教学，好几个会长篇讲如何基本的使用DNN、xgb、lgb、sklearn这些工具，和如何开始做机器学习。
当你开始打featured的比赛的时候，有一点要明确，去打比赛不是为了赢，你是个没有基础的初学者，很可能也没有队友，只能solo，想拿名次就算了，打kaggle的目的是为了学习，为什么选kaggle不选天池或其他比赛呢？因为kaggle的氛围非常非常open，讨论区和kernel区一定会有人给出自己的完整思路和代码，不仅有base model，还有各种有用的数据处理代码，甚至很常见到前10的队伍公开自己的思路甚至代码！这是其他比赛不具备的，你可以在看别人代码，改进自己代码中成长。
4、积累
这是自学最欠缺的，没有积累，尤其是科研积累，没有人带自己想搞出一篇工作就免了吧，但是熟读某个方向的paper，对该方向有深入了解是必须的，如果仅仅是达到见过或者会用的程度，肯定拿不到offer的。具体的积累看是什么方向，github上有很多repo是经典paper集合比如这个repo，可以对照着看，也要关注该领域顶会每年的文章，还有就是对自己项目中用到的model、方法的相关工作要熟读。
5、计划
时间紧迫，给自己定一个清晰的计划还是很重要的，笔者自己是打印了一份日历，然后把暑期实习、秋招等关键时间点和自己计划完成的deadline日期做上标记，每天干过的事情标在当天的日期上，然后划掉这一天，每天看着时间会有紧迫感促进你学习。
6、老师
自学没有老师，但俗话说三人行必有我师，周围相关方向的同学，该请教就请教，有些东西自己搞是搞不出来的，但会的同学随便点你一下这块就过去了。
参考资料与推荐阅读
本书是一本 TensorFlow 技术手册，并不包含太多关于机器学习 / 深度学习的理论知识。然而一本好的机器学习入门资料仍然对 TensorFlow 技术的理解至关重要。对于希望入门机器学习 / 深度学习原理的读者，笔者给出（具有个人主观色彩和局限的）以下阅读建议。
如果你是一名在校大学生，具有较好的数学基础，可以从以下教材入手，作为学习机器学习的起点：
李航. 统计学习方法 . 清华大学出版社，2012.
周志华. 机器学习 . 清华大学出版社，2016.
如果你希望更具实践性的内容，推荐以下书籍：
Aurélien Géron. 机器学习实战：基于 Scikit-Learn 和 TensorFlow . 机械工业出版社，2018.
探索机器学习，使用Scikit-Learn全程跟踪一个机器学习项目的例子；探索各种训练模型；使用TensorFlow库构建和训练神经网络，深入神经网络架构，包括卷积神经网络、循环神经网络和深度强化学习，学习可用于训练和缩放深度神经网络的技术。
主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
学习推荐：
《机器学习实战基于Scikit-Learn和TensorFlow》高清中文版PDF，带目录，文字能够复制；高清英文PDF，564页，带目录，文字能够复制；中英文两版可以对比学习。配套源代码；
下载: https://pan.baidu.com/s/14G_0aeMh8qiq4TtIvpefWw
提取码: b46k
郑泽宇，梁博文，and 顾思宇. TensorFlow：实战 Google 深度学习框架（第 2 版） . 电子工业出版社，2018.
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。《TensorFlow：实战Google深度学习框架（第2版）》为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。
第2版将书中所有示例代码从TensorFlow 0.9.0升级到了TensorFlow
1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。《TensorFlow：实战Google深度学习框架（第2版）》适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等。
如果你对大学的知识已经生疏，或者还是高中生，推荐首先阅读以下教材：
汤晓鸥，and 陈玉琨. 人工智能基础（高中版） . 华东师范大学出版社，2018.
对于贝叶斯的视角，推荐以下入门书籍：
皮隆，辛愿，钟黎，and 欧阳婷. 贝叶斯方法：概率编程与贝叶斯推断 . 人民邮电出版社，2017.
如果你喜欢相对生动的视频讲解，可以参考以下公开课程：
台湾大学李宏毅教授的《机器学习》课程 （ 讲义点此 ，中文，讲解生动且更新及时）
谷歌的《机器学习速成课程》 （内容已全部汉化，注重实践）
Andrew Ng 的《机器学习》课程 （英文含字幕，经典课程，较偏理论，网络上可搜索到很多课程笔记）
相对的，一本不够适合的教材则可能会毁掉初学者的热情。对于缺乏基础的初学者，不 推荐以下书籍：
Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 深度学习 . 人民邮电出版社，2017.
又名 “花书”（源于封面），英文版 在线开放阅读 ，中译见 exacity/deeplearningbook-chinese 。这是一本深度学习领域的全面专著，但更像是一本工具书。
Bishop, Christopher M. Pattern Recognition and Machine Learning . Information Science and Statistics. New York: Springer, 2006.
又名 “PRML”（书名首字母缩写），目前已开放 免费下载 。以贝叶斯的视角为主，同时其难度可能很不适于缺乏数学基础的入门者。
重要
不推荐以上书籍，并不是说这些作品不够优秀！ 事实上，正是因为这些书籍太优秀，影响力太大，才以至于不得不拿出来特意提醒一下，这些书可能并不适合于绝大多数初学者。就像应该很少有学校用《计算机程序设计艺术》（TAOCP）作为计算机的入门教材一样。对于已经入门或者有志于深层次研究的学者，当可从这些书籍中受益匪浅。
