干货 | 126 篇 AI 原创文章精选（ML、DL、资源、教程）

一年多来，公众号【AI有道】已经发布了 140+ 的原创文章了。内容涉及林轩田机器学习课程笔记、吴恩达 deeplearning.ai 课程笔记、机器学习、深度学习、笔试面试题、资源教程等等。值得一提的是每篇文章都是我用心整理的，编者一贯坚持使用通俗形象的语言给我的读者朋友们讲解机器学习、深度学习的各个知识点。旨在给大家一份比较完备的学习路线和提升技巧。

今天，红色石头特此将以前所有的原创文章整理出来，组成一个比较合理、完整的机器学习、深度学习的学习路线图，希望能够帮助到大家。

如果有需要转载文章的其它号主，请扫描底部的二维码加我微信联系开白！

林轩田机器学习基石笔记

【1】​​The Learning Problem​​

【2】​​Learning to Answer Yes/No​​

【3】​​Types of Learning​​

【4】​​Feasibility of Learning​​

【5】​​Training versus Testing​​

【6】​​Theory of Generalization​​

【7】​​The VC Dimension​​

【8】​​Noise and Error​​

【9】​​Linear Regression​​

【10】​​Logistic Regression​​

【11】​​Linear Models for Classification​​

【12】​​Nonlinear Transformation​​

【13】​​Hazard of Overfitting​​

【14】​​Regularization​​

【15】​​Validation​​

【16】​​Three Learning Principles​​

林轩田机器学习技法笔记

【1】​​Linear Support Vector Machine​​

【2】​​Dual Support Vector Machine​​

【3】​​Kernel Support Vector Machine​​

【4】​​Soft-Margin Support Vector Machine​​

【5】​​Kernel Logistic Regression​​

【6】​​Support Vector Regression​​

【7】​​Blending and Bagging​​

【8】​​Adaptive Boosting​​

【9】​​Decision Tree​​

【10】​​Random Forest​​

【11】​​Gradient Boosted Decision Tree​​

【12】​​Neural Network​​

【13】​​Deep Learning​​

【14】​​Radial Basis Function Network​​

【15】​​Matrix Factorization​​

【16】​​Finale​​

吴恩达深度学习专项课程笔记

神经网络与深度学习：

【1】​​深度学习概述​​

【2】​​神经网络基础之逻辑回归​​

【3】

【4】

【5】

优化神经网络：

【1】​​深度学习的实用层面​​

【2】​​优化算法​​

【3】​​超参数调试、Batch正则化和编程框架​​

构建机器学习项目：

【1】​​机器学习策略（上）​​

【2】​​机器学习策略（下）​​

卷积神经网络CNN：

【1】​​卷积神经网络基础​​

【2】​​深度卷积模型：案例研究​​

【3】​​目标检测​​

【4】​​人脸识别与神经风格迁移​​

序列模型RNN：

【1】

【2】

【3】

机器学习各个击破

【1】​​机器学习中的维度灾难​​

【2】​​简单的梯度下降算法，你真的懂了吗？​​

【3】​​一看就懂的感知机算法PLA​​

【4】​​优化线性感知机算法：Pocket PLA​​

【5】​​距离产生美？k近邻算法python实现​​

【6】​​基于线性SVM的CIFAR-10图像集分类​​

【7】​​通俗易懂！白话朴素贝叶斯​​

【8】​​划重点！十分钟掌握牛顿法凸优化​​

【9】​​简单的交叉熵损失函数，你真的懂了吗？​​

【10】​​7 种回归方法！请务必掌握！​​

【11】​​机器学习中 L1 和 L2 正则化的直观解释​​

【12】​​划重点！通俗解释协方差与相关系数​​

【13】​​如何让奇异值分解(SVD)变得不“奇异”？​​

【14】​​一份机器学习的自白书​​

【15】​​机器学习大牛如何选择回归损失函数？​​

【16】​​机器学习必备的分类损失函数速查手册​​

【17】​​【吐血整理】一份完备的集成学习手册！​​

【18】​​今日机器学习概念：感知机模型​​

【19】​​机器学习碎碎念：霍夫丁不等式​​

【20】​​机器学习实用指南：这些基础盲点请务必注意！​​

【21】​​2018 最好的机器学习实用指南书籍来了！​​

【22】​​重磅 | AI 圣经 PRML《模式识别与机器学习》官方开源了！​​

【23】​​干货 | 机器学习正在面临哪些主要挑战？​​

【24】​​我整理了 50 页 PPT 来解释 SVM​​

【25】​​机器学习实战指南：如何入手第一个机器学习项目？​​

【26】​​机器学习实用指南：如何从数据可视化中发现数据规律？​​

【27】​​超级实用！如何为机器学习算法准备数据？​​

深度学习各个击破

【1】​​三分钟带你对 Softmax 划重点​​

【2】​​白话生成对抗网络 GAN！​​【附源码】

【3】​​6 种激活函数核心知识点，请务必掌握！​​

【4】​​吴恩达《Machine Learning Yearning》中文版新鲜出炉！​​

【5】​​Python 深度学习，你的 Keras 准备好了吗？​​

笔试题精选

机器学习技法：

【1】​​机器学习笔试题精选​​

【2】​​机器学习笔试题精选​​

【3】​​机器学习笔试题精选（三）​​

【4】​​机器学习笔试精选题精选（四）​​

【5】​​机器学习笔试题精选​​

【6】​​机器学习笔试题精选​​

【7】​​机器学习笔试题精选​​

【8】​​长文！机器学习笔试精选 100 题​​

【9】​​200 道算法面试题集锦！Python 实现，含华为、BAT 等校招真题！​​

资源、工具、教程

【1】​​Jupyter notebook入门教程（上）​​

【2】​​Jupyter notebook入门教程（下）​​

【3】​​重磅！吴恩达深度学习又开新课啦！​​

【4】​​我的机器学习入门路线图​​

【5】​​我的深度学习入门路线​​

【6】​​撒花！吴恩达《Machine Learning Yearning》完结！​​

【7】​​2018 NLP圣经《自然语言处理综述》最新手稿已经发布！​​

【8】​​Git 简洁教程：本地项目如何与 GitHub 互连？​​

【9】​​撒花！吴恩达《Machine Learning Yearning》中文版新鲜出炉！​​

【10】​​干货 | 谈谈我是如何入门这场 AI 大赛的​​

【11】​​重磅 | 深度学习“四大名著”发布！爱可可推荐！​​

【12】致​​考研！谈谈我是如何考上北大的​​

【13】8​​K 星！这可能是最适合你的 TensorFlow 教程​​

【14】​​火爆GitHub的《机器学习100天》，有人把它翻译成了中文版​​

【15】​​OpenCV 机器视觉入门精选 100 题（附 Python 代码）​​

【16】​​2019 深度学习框架大盘点！看 PyTorch、TensorFlow 如何强势上榜？​​

【17】​​51 个深度学习目标检测模型汇总，论文、源码一应俱全！​​

【18】​​火爆 GitHub 的 16 张机器学习速查表，值得收藏！​​

【19】​​重磅 | 19 页花书精髓笔记！你可能正需要这份知识清单​​

【20】这​​ 28 张精炼图，将吴恩达的 deeplearning.ai 总结得恰到好处！​​

【21】​​10 门必修的机器学习名校公开课，旨在完善你的 AI 学习路线！​​

【22】​​重磅！PyTorch 中文手册已开源！理论、实践、应用都有了！​​

【23】​​3 个相见恨晚的 Google Colaboratory 奇技淫巧！​​

【24】​​吴恩达的 CS229，有人把它浓缩成 6 张中文速查表！​​

【25】​​10 年深度学习顶级论文和代码精选，请务必收藏！​​

【26】​​6 个核心理念诠释了吴恩达新书《Machine Learning Yearning》​​

【27】​​火爆网络的《神经网络与深度学习》，有人把它翻译成了中文版！​​

【28】​​10K+，深度学习论文、代码最全汇总！一键收藏​​

【29】​​重磅！深度学习圣经“花书”核心笔记、代码发布​​

【30】​​深度学习 500 问！一份火爆 GitHub 的面试手册​​

【31】​​最新 | Python 官方中文文档正式发布！​​

【32】​​撒花！斯坦福深度学习最新视频发布，吴恩达主讲！​​

【33】​​737 页《吴恩达深度学习核心笔记》发布，黄海广博士整理！​​

【34】​​撒花！《神经网络与深度学习》中文教程正式开源！​​

【35】​​72 页 PPT，带你梳理神经网络完整架构（含 PyTorch 代码）​​

【36】​​重磅！66 个机器学习硬核资源，请务必收藏！​​