AI 学习规划

2017.8.1

第一步：理论基础方面：
以 Andrew NG 在 courera 2012 年 11 讲 Machine Learning 为入门途径，内容包括：线性回归，逻辑回归，人工神经网络，BP 算法，优化方法，泛化方法。这些都是机器学习最基本的知识，也是学习深度学习更复杂的算法和问题分析的基础。
以 Andrew Ng 在斯坦福公开课 2008 年 20 讲 Machine Learning 为补充，了解更多的传统机器学习算法或者各种算法背后更多的数学原理。
学习过程首先打印学习讲义，观看视频，做作业，要紧紧跟随网上的博客资源，课程自带资源。
参考书籍以讲义为主，辅助周志华《机器学习》

第二步：进阶 ANN 和的深度学习
学习 Hinton 在 coursera 2012 年的 16 讲 Neural Networks for Machine Learning 。
参考书籍Simon Haykin 2011年出版的《神经网络与机器学习》

第三步：进击DL
视频待定
参考书籍Henjio 2016 年出版的 Deep Learning Book

外围知识
在理论学习过程中增强数学知识
学习Python 编译工具，为实验做准备
学习和使用一些开源工具，如deeplerning4java, Therno, Tensor flow 等，通过实践和积累经验进行学习。这些工具都有指南文档，对机器学习方法和算法也有不同程度的描述。


指导思想：

不求精通，基础扎实，理论清晰；
以点带面，总结回顾，兴趣为主；
结合实际，重点突破，不浮不躁；
做好规划，形成习惯，贵在坚持。