Zmovs（进大厂全靠自学）

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

https://www.youtube.com/watch?v=ytpJdnlu9ug&list=PLUl4u3cNGP63WbdFxL8giv4yhgdMGaZNA

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

https://www.youtube.com/watch?v=KbB0FjPg0mw&list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo

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）

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

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

https://www.youtube.com/watch?v=ILsA4nyG7I0

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

https://www.youtube.com/watch?v=HW29067qVWk

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

https://www.youtube.com/watch?v=yzIMircGU5I&list=PL5-da3qGB5ICCsgW1MxlZ0Hq8LL5U3u9y

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

https://www.youtube.com/watch?v=q7Bo_J8x_dw&list=PLQVvvaa0QuDfefDfXb9Yf0la1fPDKluPF

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）

https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk

斯坦福CS231n（2016）

https://www.youtube.com/watch?v=NfnWJUyUJYU&list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC

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）

https://www.youtube.com/watch?v=OQQ-W_63UgQ&list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

CMU NLP神经网络（2019）

https://www.youtube.com/playlist?list=PL8PYTP1V4I8Ajj7sY6sdtmjgkt7eo2VMs

牛津&DeepMind深度学习NLP（2017）

https://www.youtube.com/watch?v=RP3tZFcC2e8&list=PL613dYIGMXoZBtZhbyiBqb0QtgK6oJbpm

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）

https://www.youtube.com/watch?v=fDlOQrLX8Hs&list=PLpIxOj-HnDsOSL__Buy7_UEVQkyfhHapa

牛津深度学习课程（2015）

https://www.youtube.com/watch?v=PlhFWT7vAEw&list=PLjK8ddCbDMphIMSXn-w1IjyYpHU3DaUYw

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

https://www.youtube.com/watch?v=JgvyzIkgxF0

Jacob Schrum的强化学习简介

https://www.youtube.com/watch?v=3T5eCou2erg&list=PLWi7UcbOD_0u1eUjmF59XW2TGHWdkHjnS

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）

https://www.youtube.com/watch?v=iOh7QUZGyiU&list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs

David Silver强化学习课程

https://www.youtube.com/watch?v=2pWv7GOvuf0&list=PLzuuYNsE1EZAXYR4FJ75jcJseBmo4KQ9-

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）

https://www.youtube.com/watch?v=qaMdN6LS9rA&list=PLAdk-EyP1ND8MqJEJnSvaoUShrAWYe51U

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）

https://www.youtube.com/watch?v=-6INDaLcuJY&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf

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

https://www.sznajdman.com/pytorch-cheat-sheet/

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

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

վ'ᴗ' ի 追踪AI技术和产品新动态