Datawhale学习
开源贡献：Datawhale团队
本月组队学习，包含Numpy入门（上）、强化学习基础、推荐系统基础三个模块的路线学习。参与学习需要有一些Python基础。
关于开源
Datawhale作为开源组织，更多是希望营造互促的学习氛围和纯粹的学习环境，所有学习内容和学习规划都将开源在Datawhale Github上，方便大家有监督和无监督学习，从而帮助到更多学习者成长。
开源内容：
截止今日，Datawhale已经开源20多门学习内容，涉及编程、数据挖掘、cv、nlp和推荐系统五大模块，这来自每一个开源贡献者的参与。
开源地址：
https://github.com/datawhalechina/team-learning
组队学习：关于组队学习，顾名思义，就是一群志同道合的小伙伴聚集一起，一起学习，一起讨论，一起组队打boss，一起克服拖延症。其实没有老师，没有教学，有的是一群热爱学习和渴望改变的小伙伴，交流学习，互促共进。
开源教程：
在后台分别回复关键词【Numpy入门】、【推荐系统】、【强化学习】可下载完整的开源教程。
学习内容都已开源，可以先自学，文末获取报名方式
开源学习
1 /Numpy入门（上）
开源贡献：韩绘锦、左秉文、王彦淳
组队学习说明：学习Numpy的基本数据类型，了解其各类函数的应用；为后期学pandas和sklearn奠定坚实基础。
任务路线：数据类型及数组创建-->索引-->数组的操作-->数学函数及逻辑函数-->排序搜索计数及集合操作
组队学习周期：13天
定位人群：有一些Python基础，难度系数中
每个任务完成大概所需时间：3-5h
任务预览（2天）
Task03：数组的操作
- 掌握数组的各种操作，比如：更改形状，数组转置，更改维度，数组组合，数组拆分，数组平铺，添加和删除元素等。
2 /深度强化学习基础
开源贡献：王琦、杨毅远、江季
组队学习说明：本内容是深度强化学习的基础，主要目标是学习常见的强化学习算法及其应用
任务路线：强化学习基础-->马尔可夫决策过程及表格型方法-->策略梯度及PPO算法-->DQN算法-->稀疏奖励及模仿学习-->DDPG算法
组队学习周期：15天
定位人群：有一些机器学习的基础，难度系数中
每个任务完成大概所需时间：3-5h
任务预览（3天）
Task02：马尔可夫决策过程及表格型方法
- 了解马尔可夫过程、马尔可夫奖励过程、马尔可夫决策过程
- 掌握Sarsa和Q-learning算法
- 对应教程的第二章和第三章
3 /推荐系统基础
开源贡献：何世福、罗如意、梁家晖、徐何军、陈锴、吴忠强
组队学习说明：选择了在推荐系统算法发展中比较重要的几个算法进行分析和学习，理解推荐算法的本质。
任务路线：推荐系统简介-->协同过滤-->矩阵分解和FM-->Wide&Deep-->GBDT+LR
组队学习周期：12天
定位人群：具有一定编程语言基础，对机器学习有一定的了解，会使用常见的数据分析工具（Numpy、Pandas）及了解向量检索工具（faiss），难度系数中
每个任务完成大概所需时间：3-5h
任务预览（3天）
Task02：协同过滤
- 掌握协同过滤算法，包括基于用户的协同过滤（UserCF）和基于商品的协同过滤（ItemCF）。
参与学习
学习规则：
1. 需交督促金3块：1块学习，1块分享，1块成长；
2. 需要有一个等可以记录学习的公开帐号；
3. 根据任务安排学习，完成后写学习笔记blog；
4. 任务截止前在群内打卡，遇到问题一起交流讨论；
5. 未按时打卡的同学视为自动放弃，流出学习群。