【编者按】Jason Carter曾是一名多伦多软件工程师，2017年初，为了进入深度学习这一新兴领域，他辞职，展开了为期4个月的全日制学习，并为自己设计了一份具体的学习计划，最终他根据计划，掌握了全栈机器学习工程师的技术。智能观整理了他的自学计划，分享给大家。
从谷歌的“深度学习研究路径”，可以发现一长串建议、方法、课程、数学书、项目等，以便成为机器学习中的“专家”。但我真正需要的是一份具体的学习时间表。
首先讲一下我学习四个月的基础：我有一个软件工程学位和一份优达学城纳米级数据分析师认证。此外，除了拥有工作经验，我还是一名开发者和分析师。
再谈一下这四个月我的学习时间安排：这段时间，我一直全身心的投入在学习上，尽量保证每天学习10-14小时。
学习日程
第1个月
1.深度学习 - 第1部分（4-7周）
http://dwz.cn/6iEFC7
2.参加Kaggle竞赛
https://www.kaggle.com/
3.分享经验到medium
4.参加本地组织的学术专题讨论会（一般性AI讨论）
第2个月
1.深度学习-第1部分（4-7周，完成）
http://dwz.cn/6iEFC7
2.从零开始构建深度学习框架
http://dwz.cn/6iEGT2
3.MNIST对抗挑战（使用“500px interview”项目作为实践）
http://dwz.cn/6iEHsw
4.“数据科学家与Python”职业培训营：DataCamp（开始）
https://www.datacamp.com/tracks/data-scientist-with-python
5.分享经验到medium
6.参加本地组织的学术专题讨论会（AI讲座和小组讨论）
第3个月
1.深度学习 - 第2部分（开始+暂停）
2.“数据科学家与Python”职业培训营：DataCamp（完成）
https://www.datacamp.com/tracks/data-scientist-with-python
3.吴恩达的机器学习课程：Coursera（完成）
4. 分享经验到medium
5.更多本地组织的学术专题讨论会（DeepLearning：TensorFlow和Kubernetes）
https://medium.com/@deeplearni.ng
第4个月
1.深度学习，第2部分（开始）
2.Capstone：构建和部署端到端深度学习产品（开始）
3.分享经验到medium
阅读清单
课程：
1.Deep Learning-Part 1: MOOC version and USF, Data Institute: Deep Learning-Part 1 from the company Fast.ai
http://course.fast.ai/；https://www.usfca.edu/data-institute/certificates/deep-learning-part-one
2. Data Scientist with Python track - DataCamp
https://www.datacamp.com/tracks/data-scientist-with-python
3. Machine Learning by Stanford University-Coursera
https://www.coursera.org/learn/machine-learning
视频：
1. Deep Learning Demystified
https://youtu.be/Q9Z20HCPnww
2. How Convolutional Neural Networks work
https://youtu.be/FmpDIaiMIeA
书、论文、文章、博客：
1.Neural Network Architectures
http://dwz.cn/6iEHPU
2.A Neural Network in 11 lines of Python
http://iamtrask.github.io/2015/07/12/basic-python-network
3.Standford CS231n: Convolutional Neural Networks for Visual Recognition
http://cs231n.github.io/
4.Grokking Deep Learning
https://www.manning.com/books/grokking-deep-learning
5.Designing great data products
https://www.oreilly.com/ideas/drivetrain-approach-data-products
6.Get Started with TensorFlow
https://www.tensorflow.org/get_started
7.Deep MNIST for Experts
https://www.tensorflow.org/get_started/mnist/pros
8.TensorFlow Machancis 101
https://www.tensorflow.org/get_started/mnist/mechanics
9.The Unreasonable Effectiveness of Recurrent Neural Networks
http://karpathy.github.io/2015/05/21/rnn-effectiveness
10.Breaking Linear Classifiers
http://karpathy.github.io/2015/03/30/breaking-convnets
11.Explaining and Harnessing Adversarial Examples
https://arxiv.org/abs/1412.6572
12.How to trick a neural network into thinking a panda is a vulture
https://codewords.recurse.com/issues/five/why-do-neural-networks-think-a-panda-is-a-vulture
13.Attacking Machine Learning with Adversarial Examples
https://blog.openai.com/adversarial-example-research
14.GAN by Example using Keras on Tensorflow Backend
https://medium.com/towards-data-science/gan-by-example-using-keras-on-tensorflow-backend-1a6d515a60d0
15.Perceptual Losses for Real-Time Style Transfer and Super-Resolution
http://arxiv.org/abs/1603.08155
16.A Neural Algorithm of Artistic Style
http://arxiv.org/abs/1508.06576
17.Convolutional Arithmetic Tutorial
http://deeplearning.net/software/theano/tutorial/conv_arithmetic.html
作者：Jason Carter
智能观 编译整理