AIMI-CN 推荐AI学习路线以及课程笔记

组织介绍：

我们是一群爱好AI学习的爱好者！在这里我们一起学习、互相督促、一起装逼~
我们更新的一些AI相关的笔记~ 包括算法、机器学习、深度学习、自然语言处理，之后也会更新更多的笔记让大家一起学习~

AIMI-CN AI学习交流群(里面有各种AI相关的资源)【1015286623】

我们的公众号也会时不时的推送各种干货等你来关注~

搜索微信公众号：'AI-ming3526'或者'计算机视觉这件小事' 获取更多AI方向机器学习资源干货

我们的学习笔记(涉及算法、机器学习、深度学习、NLP等方向)

一、算法方向

1、算法与人生 @bidongqinxian

为你学习机器学习开头指引明路~

详细文章地址

源码地址

2、剑指Offer算法习题详细解析 @xiaoming3526

牛客网上刷《剑指Offer》的刷题笔记，旨在提升我们算法能力~

详细文章地址

csdn地址

二、机器学习方向

1、吴恩达老师机器学习笔记@JermaineZ @niuhongying @liuxinyi222

为你打开机器学习的大门~

详细的笔记地址

2、《机器学习实战》课程及代码详细解析、书籍、数据集下载 @Fermin

让你用代码来体验机器学习~

课程详细笔记地址

机器学习实战书籍

源码和数据集下载

3、《机器学习》周志华西瓜书笔记待定

三、深度学习方向

斯坦福cs231n 面向视觉识别的卷积神经网络课程笔记@5people

详细介绍什么是神经网络、CNN、RNN、GAN~

详细的笔记地址

四、自然语言处理NLP方向

1、斯坦福cs224n 2019 基于深度学习的NLP 课程笔记、课后作业、学习资料 @Guokaijie

我们一起学习最前沿的NLP知识~

cs224n课程详细笔记

cs224n学习资料 提取码：e234

youtube视频链接 国内可以在B站找到

2、python自然语言处理实战书籍代码笔记@changan

在实战代码中学习NLP~

详细笔记地址

代码以及书籍下载地址

AIMI-CN推荐AI学习路线：机器学习、深度学习、NLP等推荐的学习资料以及学习方向

观看先决条件：
选择，方法，坚持
我们都知道现在资源是非常非常的多 我们首先选择一份真正适合自己的资料，然后用适合自己的方法来学习~最后最重要的就是坚持！！！

转载一个非常牛的几个组织整理出来的AI学习路线 重磅 | 完备的 AI 学习路线，最详细的资源整理！

一、机器学习

机器学习建议

学习机器学习需要一定的数学基础，但是仅仅是一点数学基础，不要被这些吓坏了，各位都是大佬，拿起键盘就是干。

我就根据自己的一点点经验来分析一下应该怎么学----

首先需要的是两个放弃：

1. 放弃海量资料！

没错，就是放弃海量资料！在我们想要入门机器学习的时候，往往会搜集很多资料，什么 xx学院机器学习内部资源、机器学习从入门到进阶百 G 资源、xx 人工智能教程，等等。很多时候我们拿着十几 G、几百 G 的学习资源，然后踏踏实实地放到了某云盘里存着，等着日后慢慢学习。殊不知，有 90% 的人仅仅只是搜集资料、保存资料而已，放在云盘里一年半载也忘了打开学习。躺在云盘的资料很多时候只是大多数人“以后好好学习”的自我安慰和“自我”安全感而已。而且，面对海量的学习资料，很容易陷入到一种迷茫的状态，最直接的感觉就是：天啊，有这么多东西要学！天啊，还有这么多东西没学！简单来说，就是选择越多，越容易让人陷入无从选择的困境。

所以，第一步就是要放弃海量资料！而是选择一份真正适合自己的资料，好好研读下去！

2. 放弃从零起步！

说到入门，很多人会想着那就要从最基础的知识开始学起！机器学习是一门融合概率论、线性代数、凸优化、计算机、神经科学等多方面的复杂技术。学好机器学习需要的理论知识很多，有些人可能基础不是特别扎实，就想着从最底层的知识开始学起，概率论、线性代数、机器学习凸优化公式推导，等等。但是这样做的坏处是比较耗时间，而且容易造成“懈怠学习”，打消学习的积极性。因为啃书本和推导公式相对来说是比较枯燥的，远不如自己搭建一个简单的回归模型更能激发自己的学习积极性。当然，不是说不需要钻研基础知识，基础理论知识非常重要！只是说，在入门的时候，最好先从顶层框架上有个系统的认识，然后再从实践到理论，有的放矢的查缺补漏机器学习知识点。从宏观到微观，从整体到细节，更有利于机器学习快速入门！而且从学习的积极性来说，也起到了“正反馈”的作用。

3、机器学习入门学习路线

好了，谈完了机器学习入门之前的两个“放弃”之后，我们就在介绍一下入门路线。

3.1 数学基础

个人认为首先需要的数学基础：概率论、矩阵论以及微积分。没有也不要紧，边看边学，看到不会的查一下就行了。

【免费】数学教学视频 - 可汗学院 入门篇

概率	统计	线性代数
可汗学院(概率)	可汗学院(统计学)	可汗学院(线性代数)

3.2、然后就是机器学习基础了

吴恩达老师的视频毫无疑问是经典

【免费】机器/深度学习视频 - 吴恩达

机器学习	深度学习
吴恩达机器学习	神经网络和深度学习

然后推荐一个比较偏向基础的 国内一群大佬录得机器学习视频 比吴恩达老师的稍微好懂点

机器学习实战-ApacheCN 中文开源组织

大致内容就是带着学习了《机器学习实战》这本书来做的

机器学习实战书籍

机器学习实战视频

3.3、进阶

基本上完成上述课程就算是入门了。接下来可以根据自己的兴趣和方向，有的放矢。例如主攻 CV 方向，可以继续学习斯坦福 CS231n 课程：

CS231n: Convolutional Neural Networks for Visual Recognition

如果主攻 NLP 方向可以学习斯坦福 CS224n 课程：

CS224n: Natural Language Processing with Deep Learning

当然，台大李宏毅的课程也很不错：

Hung-yi Lee

当然这些国内都会有对应大佬有视频的翻译(b站) 感兴趣的自己找找

二、NLP学习

现在市面上有很多介绍自然语言处理技术的书，网上也有很多关于NLP的学习课程和网站。但经过调研，发现斯坦福的cs224n：深度学习的自然语言处理，受到了广大NLP爱好者的青睐。但是，据我们所知，还没有发现有一个关于2019最新cs224n课程的中文学习笔记。所以，为了使大家更好地入门NLP科研，我们在此和大家分享我们的学习心得，希望可以和大家一起学习。

学习内容

自然语言处理（NLP）是信息时代最重要的技术之一，也是人工智能的关键部分。NLP的应用无处不在，因为人们几乎用语言进行交流：网络搜索，广告，电子邮件，客户服务，语言翻译，医学报告等。近年来，深度学习方法在许多不同的NLP任务中获得了非常高的性能，使用单个端到端神经模型，不需要传统的，任务特定的特征工程。2019年课程较之以往，主要有两点区别。一是使用PyTorch而不是TensorFlow，二是课程安排更加紧密。通过该课程的学习，大家将学习、实施和理解他们自己的神经网络模型所需的技能。

先决条件

1.了解python基本用法

2.了解基本的微积分、线性代数和概率统计内容

3.对机器学习有一定的认识

4.对NLP学习有着浓厚的兴趣爱好

但是，我们不需要从零基础开始学习，这样会降低我们对学习的兴趣。所以，我们只要在学习的过程中不断弥补自身先决条件的不足，这样一定可以走进NLP学习的大门。

免责声明 - 【只供学习参考】

• 本项目纯粹出于学习目的

组织logo：

AILearners 快速上手指南

AILearners 是由 AIMI-CN 社区维护的 AI 学习资源库，涵盖算法、机器学习、深度学习及自然语言处理（NLP）等领域的课程笔记、源码解析与学习资料。本项目主要为文档与代码示例集合，无需复杂安装，直接克隆即可使用。

环境准备

• 操作系统：Windows / macOS / Linux
• 编程语言：Python 2.7 或 Python 3.x（具体版本请参考各子模块说明，新内容多基于 Python 3）
• 前置依赖：
  • Git（用于克隆仓库）
  • 基础数学知识（概率论、线性代数、微积分）
  • 推荐安装常用数据科学库（如 numpy, pandas, scikit-learn, torch 或 tensorflow），具体依赖视所学章节而定。

安装步骤

1. 克隆项目仓库

推荐使用国内镜像源（如 Gitee 或 GitHub 加速）以提升下载速度。

# 方式一：通过 GitHub 克隆
git clone https://github.com/aimi-cn/AILearners.git

# 方式二：通过 Gitee 镜像克隆（国内推荐）
git clone https://gitee.com/aimi-cn/AILearners.git

2. 进入项目目录

cd AILearners

3. 安装特定章节依赖（可选）

根据你想学习的方向，进入对应文件夹安装依赖。例如学习《机器学习实战》或 NLP 课程时：

# 示例：进入机器学习实战数据目录查看说明
cd data/ml/jqxxsz/sourceData

# 示例：若某章节有 requirements.txt，则执行
pip install -r requirements.txt
# 国内用户建议使用清华源加速
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本项目核心内容为学习笔记与配套代码。你可以通过浏览目录结构选择学习路径。

1. 浏览学习路线

查看根目录下的 blog 文件夹，包含分类整理的笔记：

• blog/Algorithm: 算法基础与剑指 Offer 解析
• blog/ml: 吴恩达机器学习笔记、《机器学习实战》代码解析
• blog/dl: 斯坦福 CS231n 深度学习笔记
• blog/nlp: 斯坦福 CS224n (2019) NLP 笔记及作业

2. 运行代码示例

以《机器学习实战》为例，找到对应的源码文件并运行：

# 进入机器学习实战源码目录 (路径可能随版本更新微调)
cd blog/src/py2.x/algorithm 

# 运行具体的 Python 脚本 (示例)
python your_script_name.py

3. 获取额外资源

部分大型数据集或视频资料未直接存入仓库，请参考各章节 README 中的链接：

• 百度网盘链接：部分笔记提供百度云下载链接（如 CS224n 资料）。
• 在线笔记：直接点击仓库中的 Markdown 文件在 GitHub/Gitee 网页端阅读详细教程。

提示：建议遵循项目中推荐的“放弃海量资料，专注一套体系”的学习策略，从吴恩达课程或《机器学习实战》入手，结合代码实践进行系统学习。