深度学习自学路径图，微软&头条实习生现身说法丨大量课程资源
作者 Sanny Kim
郭一璞 编译
量子位 出品 | 公众号 QbitAI
跟着网络资料自学、刷MOOC是许多人学深度学习的方式，但深度学习相关资源众多，应该从哪儿开始学呢？
富有自学经验的GitHub用户Sanny Kim贡献出了一份深度学习自学指南。
她自学成才，有Udacity、deeplearning.ai、Coursera的一大堆课程认证，甚至连大学都是上的以自学、MOOC著称的Minerva大学，自学卓有成效，曾经在微软做实习软件工程师，现在则是字节跳动（头条）AI实验室的机器学习实习生。
下面，就让我们来看看这份自学指南都包含什么内容吧。由于资料课程非常多，建议大家存下来慢慢看。
学好Python和数学
作为深度学习从业者，最重要的基础，一是代码，二是数学。
代码的选择毋庸置疑，一定要学Python，毕竟这是当今深度学习界最火的语言，没有之一。
而数学一样重要，虽然数学常常难倒英雄汉，不过如果你只是想把深度学习拿来在你的领域试用的话，暂时不需要搞明白太多数学基础，
但是，Sanny Kim建议，熟知数学理论基础，使用深度学习框架会更易懂，因此需要一定的微积分、线性代数和统计学基础，
学Python
Python可以选择下面的课程：
MIT 6.0001课程
CodeCademy
https://www.codecademy.com/learn/learn-python
如何像计算机科学家一样思考
http://interactivepython.org/runestone/static/thinkcspy/index.html
备用链接：https://runestone.academy
哈佛CS50
https://www.edx.org/course/cs50s-introduction-to-computer-science
哈佛CS50课程里Python讲得比较少，如果你喜欢阅读，可交互的在线书《如何像计算机科学家一样思考》会更适合你。
学微积分
微积分方面有几个必须搞懂的概念：微分，链式法则和偏导数。
数学基础好、想要快速学习微积分的同学请戳：
MIT 18.01 单变量微积分
https://www.youtube.com/watch?v=jbIQW0gkgxo&t=1s
数学不太好的同学请戳：
伦纳德教授的微积分1
https://www.youtube.com/watch?v=fYyARMqiaag&list=PLF797E961509B4EB5
已经学过需要复习一下，或者几乎放弃治疗、只想简单了解一下的同学请戳：
可汗学院微积分1
https://www.khanacademy.org/math/calculus-1
补充材料：
3Blue1Brown 微积分的本质
https://www.youtube.com/watch?v=WUvTyaaNkzM&list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr
学线性代数
线代方面有几个必须搞懂的概念：向量，矩阵，矩阵运算，包括加减乘除逆运算。
还是一样，想认认真真搞懂线代的同学请戳：
MIT 18.06 线性代数
https://www.youtube.com/watch?v=ZK3O402wf1c&list=PLE7DDD91010BC51F8
走马观花的同学请戳：
可汗学院线性代数
https://www.khanacademy.org/math/linear-algebra
戳这个来了解更多实际的写代码方法：
Rachel Thomas的计算线性代数
https://www.youtube.com/watch?v=8iGzBMboA0I&index=1&list=PLtmWHNX-gukIc92m1K0P6bIOnZb-mg0hY
补充材料：
斯坦福CS229线性代数复习资料
http://cs229.stanford.edu/section/cs229-linalg.pdf
3Blue1Brown 线性代数的本质
https://www.youtube.com/watch?v=kjBOesZCoqc&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab
概率与统计
概率统计方面有几个必须搞懂的概念：平均值，标准差，分布，采样，贝叶斯定理。
哈佛统计110
可汗学院概率统计
https://www.khanacademy.org/math/statistics-probability
Brandon Foltz统计学101
https://www.youtube.com/user/BCFoltz/videos
补充材料：
斯坦福CS229概率统计复习资料
http://cs229.stanford.edu/section/cs229-prob.pdf
列了这么多数学课，你要是觉得上面这三门课学起来太累，可以只看和深度学习、机器学习相关的部分，那么安利你学习下面这两份材料：
深度学习需要的矩阵微积分
作者：Terence Parr，Jeremy Howard
https://arxiv.org/abs/1802.01528
不想看pdf的手机用户可戳：https://explained.ai/matrix-calculus/index.html
MIT 18.065 数据分析、信号处理和机器学习中的矩阵方法（2018）
作者：Gilbert Strang
https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k
当然，因为数学嘛，毕竟是门大杀器，要是实在学不下去，可以先开始学下面的深度学习部分，看到哪儿原理不懂了，再回来翻资料理解一下。
深度学习入门
现在，恭喜你学会了Python，还搞懂了一部分数学理论知识，终于可以开始学正儿八经的深度学习了。
深度学习入门非常重要的两套课程，分别是
吴恩达的deeplearning.ai
https://www.coursera.org/specializations/deep-learning
Jeremy Howard和Rachel Thomas的fast.ai
http://course.fast.ai/
这两份资料在深度学习MOOC领域几乎无人不知无人不晓了，吴恩达的课程重视理论解释，fast.ai更侧重编码，Sanny Kim是这样学这两套课程的：
1、先看deeplearning.ai的1、2、4、5；
2、在看fast.ai的第一部分；
3、看deeplearning.ai的3；
4、（可选）做deeplearning.ai的作业；
5、把上面的1~4复习一遍。
fast.ai从第二部分开始相对比较难，建议后面再学。另外，想充分利用fast.ai，最好有一块GPU，没有的话就去薅Google羊毛，学习使用Colab（反正将来一定会用到的）。
攻略：学fast.ai，用Colab
https://towardsdatascience.com/fast-ai-lesson-1-on-google-colab-free-gpu-d2af89f53604
最后，给读书党安利：
神经网络与深度学习
作者：Michael Nielsen
http://neuralnetworksanddeeplearning.com/
视频课程
不能光靠MOOC学深度学习，下面这些视频课程也要学习了解一下：
3Blue1Brown的神经网络
https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi
Computerphile的神经网络
https://www.youtube.com/playlist?list=PLzH6n4zXuckoezZuZPnXXbvN-9jMFV0qh
Brandon Rohrer的神经网络
Python实用机器学习教程
https://www.youtube.com/watch?v=OGxgnH8y2NM&list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v
对新人友好的博客
刷博客也是自学的重要途径，这里一些经典博客可以作为学习资料：
在处理可视化和动量方面做得非常好的Distill.pub
https://distill.pub/
Andrej Karpathy的老博客
http://karpathy.github.io/
深度强化学习
https://simoninithomas.github.io/Deep_reinforcement_learning_Course/
Towards Data Science
https://towardsdatascience.com/
写代码的资料
Jupyter笔记本：
Jupyter入门
DataCamp Jupyter教程
https://www.datacamp.com/community/tutorials/tutorial-jupyter-notebook?utm
Jupyter的坑，请注意避开
https://docs.google.com/presentation/d/1n2RlMdmv1p25Xy5thJUhkKGvjtV-dkAIsUXP-AL4ffI/preview?slide=id.g3b600ce1e2_0_0
NumPy：
斯坦福CS231 Numpy教程
http://cs231n.github.io/python-numpy-tutorial/
DataCamp Numpy教程
https://www.datacamp.com/community/tutorials/python-numpy-tutorial
Pandas：
Data School综合教程系列Pandas数据分析
Pandas的代码基础短教程
https://www.youtube.com/watch?v=CmorAWRsCAw&list=PLeo1K3hjS3uuASpe-1LjfG5f14Bnozjwy
Scikit-learn：
Data School scikit-learn教程系列
https://www.youtube.com/watch?v=CmorAWRsCAw&list=PLeo1K3hjS3uuASpe-1LjfG5f14Bnozjwy
Matplotlib：
Sentdex Matplotlib系列
Matplotlib视频教程
https://www.youtube.com/watch?v=b3lK639ymu4&list=PLNmACol6lYY5aGQtxghQTq0bHXYoIMORy
终于能用深度学习了
现在，基础、原理、代码你都学的差不多了，终于可以开始使用深度学习这项大杀器了。
那，拿来干点啥，从什么项目开始下手呢？可以看这些找找灵感：
超厉害的深度学习idea
https://github.com/NirantK/awesome-project-ideas
Kaggle比赛
https://www.kaggle.com/competitions
Kaggle数据集
https://www.kaggle.com/datasets
另外，还需要做处选择，在TensorFlow、PyTorch、Keras等一大堆框架里选边站，找一个你觉得好用的框架。
项目实践好了之后，就可以开始写技术博客啦！
开启新篇章
现在，你终于成为了一个掌握深度学习技能的人，可以考虑在计算机视觉、自然语言处理、机器学习、自动驾驶……等许多领域深入发展了。
不过，Sanny Kim还是建议大家先去学：
fast.ai的第二部分（2018版，2019版还没更新到第二部分）
http://course18.fast.ai/part2.html
可以从这里了解一些前沿的东西，比如GAN、神经翻译、超分辨率之类的，之后就可以选择一个你喜欢的方向深入研究了。
计算机视觉
斯坦福CS231n（2017）
斯坦福CS231n（2016）
UCF计算机视觉（2012）
https://www.youtube.com/watch?v=715uLCHt4jE&list=PLd3hlSJsX_ImKP68wfKZJVIPTd8Ie5u-9
斯坦福CS231n不同年份有不同年份的特点，比如2017年有一个关于生成模型的课程，2016年有Jeff Dean的演讲，如果想了解在深度学习爆发之前计算机视觉的发展，可以看最后一个课程。
自然语言处理
斯坦福CS224N NLP深度学习（2019）
https://www.youtube.com/playlist?list=PLoROMvodv4rOhcuXMZkNm7j3fVwBBY42z
Stanford CS224N NLP深度学习（2017）
CMU NLP神经网络（2019）
https://www.youtube.com/playlist?list=PL8PYTP1V4I8Ajj7sY6sdtmjgkt7eo2VMs
牛津&DeepMind深度学习NLP（2017）
GitHub：
https://github.com/oxford-cs-deepnlp-2017/lectures
斯坦福CS224N的NLP、深度学习课程很棒，包含视频、PPT、作业、作业答案甚至还有课堂项目，相比之下2019版本包含了更多新内容。
牛津和DeepMind合作的项目也很不错，还附带了GitHub。
继续研究深度学习
Fullstack深度学习训练营（2019年）
https://fullstackdeeplearning.com/march2019
伯克利CS294深度无监督学习（2019）
https://sites.google.com/view/berkeley-cs294-158-sp19/home
斯坦福CS230深度学习（2018）
https://www.youtube.com/playlist?list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb
CMU深度学习课程（2017）
牛津深度学习课程（2015）
Ian Goodfellow的《深度学习》（俗称花书）
https://www.deeplearningbook.org/
NIPS（2017）会议视频
https://nips.cc/Conferences/2017/Videos
ICML（2017）会议视频
https://icml.cc/Conferences/2017/Videos
ICLR（2018）会议视频
https://www.facebook.com/pg/iclr.cc/videos/
强化学习
如果想研究强化学习（RL），那很不幸你前面学的deeplearning.ai和fast.ai里都没有，所以Sanny Kim建议按照下面的顺序学习：
Arxiv Insight的强化学习视频介绍
Jacob Schrum的强化学习简介
Andrej Karpathy关于深度强化学习的博客文章
http://karpathy.github.io/2016/05/31/rl/
吴恩达关于马尔可夫决策过程的论文第1-2章
http://rll.berkeley.edu/deeprlcoursesp17/docs/ng-thesis.pdf
斯坦福CS234强化学习（2019）
https://www.youtube.com/playlist?list=PLoROMvodv4rOSOPzutgyCTapiGlY2Nd8u
OpenAI深度学习Spinning up（2018）
https://spinningup.openai.com/en/latest/
DeepMind深度学习&强化学习进阶（2018）
David Silver强化学习课程
伯克利CS294深层强化学习课程（2017）
http://rll.berkeley.edu/deeprlcoursesp17/
伯克利CS294深度强化学习（2018）
http://rail.eecs.berkeley.edu/deeprlcourse/
强化学习：简介（2018年）
https://drive.google.com/file/d/1opPSz5AZ_kVa1uWOdOiveNiBFiEOHjkG/view
伯克利深度强化学习训练营（2017）
MILA强化学习暑期学校（2017）
https://mila.quebec/en/cours/deep-learning-summer-school-2017/
Udacity深度强化学习GitHub Repo
https://github.com/udacity/deep-reinforcement-learning
Thomas Simonini深度强化学习课程
https://simoninithomas.github.io/Deep_reinforcement_learning_Course/
机器学习
想要了解机器学习，吴恩达的课程是十分经典的教材。如果你想学习更多相关的数学理论，可以学加州理工的课程。
吴恩达的机器学习课程（2012）
https://www.coursera.org/learn/machine-learning
加州理工CS156机器学习课程（2012）
http://work.caltech.edu/telecourse.html
Christopher Bishop的《模式识别和机器学习书》（2006）
https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
吴恩达《Machine Learning Yearning》
https://www.mlyearning.org/
自动驾驶
如果你对自动驾驶感兴趣，可以去学MIT的课程，包含广泛的相关内容介绍，还有比如Aurora这种专业自动驾驶公司大佬的分享。
MIT自动驾驶课程（2018年）
自动驾驶的计算机视觉：问题，数据集和最新技术（2017）
https://arxiv.org/pdf/1704.05519.pdf
ICCV自动驾驶计算机视觉教程（2015）
https://sites.google.com/site/cvadtutorial15/materials
Udacity自动驾驶idea
https://github.com/ndrplz/self-driving-car
各类补充资料
你可能会发现，梯度下降、反向传播，这些问题都出现了
Sebastian Ruder梯度下降博客
http://ruder.io/optimizing-gradient-descent/
CS231n反向传播
http://cs231n.github.io/optimization-2/
重点论文：
AlexNet（2012）
https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
VGG（2014）
https://arxiv.org/abs/1409.1556
InceptionNet（2014）
https://arxiv.org/pdf/1409.4842.pdf
ResNet（2015）
https://arxiv.org/abs/1512.03385
生成对抗网络（2014年）
https://arxiv.org/abs/1406.2661
Yolo对象检测（2015）
https://arxiv.org/abs/1506.02640
用深度强化学习玩雅达利游戏（2013）
https://arxiv.org/pdf/1312.5602.pdf
备忘录：
深度学习
https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-deep-learning
PyTorch
Numpy
https://www.datacamp.com/community/blog/python-numpy-cheat-sheet
Pandas
https://www.datacamp.com/community/blog/python-pandas-cheat-sheet
Matplotlib
https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Scikit-Learn
https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet
Jupyter Notebook
https://www.datacamp.com/community/blog/jupyter-notebook-cheat-sheet
传送门
GitHub
https://github.com/sannykim/deep-learning-guide
推特
https://twitter.com/sannykimchi/status/1138103256792494085?s=21