深度学习论文阅读路线图

尊重原版：http://mp.weixin.qq.com/s?__biz=MzI5MzIwNDI1MQ==&mid=2650117609&idx=3&sn=ab3453596f03bf1bca2ad2fb030806e3&chksm=f4748d9dc303048b877c549fb2d186fb168d9918a8b8144f6075f7c99956697ae3503999838b&mpshare=1&scene=23&srcid=0525bGOOTih2auEwK13TTHZw#rd

深度学习论文阅读路线图

翻译：王军福  

原文链接：https://github.com/songrotek/Deep-Learning-Papers-Reading-Roadmap 

如果你是深度学习领域的一名新手，可能会遇到的第一个问题是“应该从哪篇论文开始读起呢？”

这里给出了深度学习论文阅读路线图！

路线图按照下面四个准则构建而成：

• 从提纲到细节

• 从经典到前沿

• 从通用领域到特定领域

• 专注于最先进的技术

你将会发现很多近期发表但是确实值得一读的论文。

我们将持续不断的给这条路线图添加论文。

1

深度学习历史和基础

1.0  书籍

1.1调查

1.2 深度信念网络(DBN) (深度学习开篇的里程碑)

1.3 ImageNet进展（深度学习从此爆发）

1.4语音识别进展

阅读完上面这些论文后，通过对深度学习模型（包括CNN，RNN，LSTM）的基础框架，以及深度学习如何应用于图像和语音识别问题的理解，你将会对深度学习的历史有一个基本的认识。下面的论文将带你深入理解深度学习模型，深度学习在不同领域的应用和前沿。我们建议你根据自己的兴趣和研究方向选择下面的论文进行阅读。

2

深度学习方法

2.1模型

2.2优化

2.3无监督学习/深度生成模型

2.4RNN/ Sequence-to-Sequence模型

2.5神经图灵机

2.6深度强化学习

2.7深度迁移学习/终生学习/强化学习

2.8One Shot深度学习

3

应用

3.1NLP(自然语言处理)

3.2目标检测

3.3视觉跟踪

3.4图像标注

3.5机器翻译

Some milestone papers are listed in RNN / Seq-to-Seq topic.

3.6机器人技术

3.7艺术

3.8目标分割

后台回复“清华大数据”获取论文合集。

王军福，北京理工大学，目标识别从业者。爱折腾，善实践，对新鲜事物永葆一颗好奇的心。作为数据派新晋活跃分子，在Github知识分享与Kaggle数据实践的道路上为喜欢数据的玩家挖掘有意思的新鲜事。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

推荐参考链接：http://book.paddlepaddle.org/index.html 主要是深度学习的内容