未來(lái)是一個(gè)AI的時(shí)代嗎？很有可能是的，幾乎每天都能看到AI相關(guān)的新聞，你會(huì)不會(huì)也有一種想要鉆研AI，制造下一個(gè)AlphaGo的沖動(dòng)？

可是學(xué)習(xí)AI說(shuō)難不算特別難，但是說(shuō)簡(jiǎn)單也絕不簡(jiǎn)單，尤其是對(duì)于初學(xué)者來(lái)說(shuō)，更是容易有種無(wú)從下手的感覺(jué)。上個(gè)星期，AI科技評(píng)論急大家之所急，為大家準(zhǔn)備了幾份非常精彩的AI入門(mén)教程，為你全方位無(wú)死角的揭開(kāi)目前AI最火熱的機(jī)器學(xué)習(xí)方法背后的奧秘：

想了解機(jī)器學(xué)習(xí)？你需要知道的十個(gè)基礎(chǔ)算法

樸素貝葉斯分類

機(jī)器學(xué)習(xí)的本質(zhì)是什么？其實(shí)就是連續(xù)的概率選擇和調(diào)參，但到底是怎么個(gè)調(diào)法？神經(jīng)網(wǎng)絡(luò)到底是基于哪些函數(shù)建立而成？這篇文章詳細(xì)的解釋了這些問(wèn)題。文中列出了監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三大類中的十種神經(jīng)網(wǎng)絡(luò)類型，并簡(jiǎn)要介紹了它們各自的原理、適用的場(chǎng)景、運(yùn)算的優(yōu)勢(shì)等內(nèi)容。當(dāng)你思考一個(gè)新的項(xiàng)目需求該用何種算法來(lái)實(shí)現(xiàn)才是最方便快速的，這篇文章可以給你一些啟發(fā)。對(duì)于初學(xué)者來(lái)說(shuō)，這也是一個(gè)了解機(jī)器學(xué)習(xí)大致現(xiàn)狀的好機(jī)會(huì)。

深度學(xué)習(xí)——你需要了解的八大開(kāi)源框架

開(kāi)源框架之一：Facebook的Torch

對(duì)機(jī)器學(xué)習(xí)的理論架構(gòu)有了一個(gè)大概的了解之后，你可能會(huì)陷入一種困惑：我該如何將這些理論轉(zhuǎn)化為真正能夠運(yùn)行的程序？在這個(gè)問(wèn)題上，許多在人工智能方面的研究中享有盛譽(yù)的大公司已經(jīng)給出了自己的答案：發(fā)布自己的開(kāi)源框架。框架可以看做是一些API，或者說(shuō)的直白一點(diǎn)——相當(dāng)于積木的零件。使用框架中內(nèi)置的這些算法和結(jié)構(gòu)，你可以相對(duì)輕松的用編程語(yǔ)言將自己的想法變?yōu)楝F(xiàn)實(shí)。它們有的基于被廣泛使用的Python，Java，C/C++，也有些基于相對(duì)冷門(mén)一些的諸如Lua之類的語(yǔ)言。不過(guò)它們的目的都是相同的：為開(kāi)發(fā)者提供相對(duì)舒適的開(kāi)發(fā)環(huán)境。因此如果你在思考該使用哪種語(yǔ)言來(lái)實(shí)現(xiàn)你的算法，不妨參考了這篇介紹了8種比較受歡迎的AI開(kāi)源框架的文章。

大牛的《深度學(xué)習(xí)》筆記，Deep Learning速成教程

深度學(xué)習(xí)的一些經(jīng)典特征描述

到這里，最最基礎(chǔ)的準(zhǔn)備工作已經(jīng)進(jìn)行的差不多了。我們可以對(duì)深度學(xué)習(xí)的理論體系進(jìn)行更深一步的研究了。這篇文章從深度學(xué)習(xí)的概念講起，由淺入深的講解了基本思想、網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練過(guò)程等內(nèi)容，并最終介紹了幾種深度學(xué)習(xí)常用的建模方法。吃透這篇文章，對(duì)讓你對(duì)算法有一個(gè)清晰的思路會(huì)有很大的幫助。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）新手指南

卷積神經(jīng)網(wǎng)絡(luò)工作原理示意圖

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，是深度神經(jīng)網(wǎng)絡(luò)中非常重要的一種類型。其特性經(jīng)常被用于圖像處理系統(tǒng)，并能獲得很好的效果。本文結(jié)合幾個(gè)圖像識(shí)別的實(shí)例，簡(jiǎn)單講解了建立一個(gè)CNN模型的思路和方法，并給出了一些測(cè)試方法和常用的應(yīng)用。相信在讀完這篇文章后，你對(duì)圖像識(shí)別算法的了解又會(huì)更深一層。

想了解遞歸神經(jīng)網(wǎng)絡(luò)？這里有一份入門(mén)教程

簡(jiǎn)單遞歸網(wǎng)絡(luò)（左）與LSTM單元（右）的對(duì)比

遞歸神經(jīng)網(wǎng)絡(luò)也是人工神經(jīng)網(wǎng)絡(luò)中重要的一個(gè)種類，擅長(zhǎng)用于識(shí)別諸如文本、基因組、手寫(xiě)字跡、語(yǔ)音等序列數(shù)據(jù)的模式，或用于識(shí)別傳感器、股票市場(chǎng)、政府機(jī)構(gòu)產(chǎn)生的數(shù)值型時(shí)間序列數(shù)據(jù)。

遞歸網(wǎng)絡(luò)可以說(shuō)是最強(qiáng)大的神經(jīng)網(wǎng)絡(luò)，甚至可以將圖像分解為一系列圖像塊，作為序列加以處理。更重要的一點(diǎn)是，由于遞歸網(wǎng)絡(luò)擁有一種特定的記憶模式，而記憶是智能的基本能力之一。所以“最強(qiáng)神經(jīng)網(wǎng)絡(luò)”可以說(shuō)實(shí)至名歸。這篇文章介紹了遞歸神經(jīng)網(wǎng)絡(luò)的一些應(yīng)用方法，并著重介紹了其中的記憶單元（LSTM）的使用和調(diào)試方法?？梢?jiàn)記憶對(duì)于AI的重要性。

更多……

學(xué)海無(wú)涯，短短一個(gè)星期的幾篇文章可能沒(méi)法讓你從一個(gè)從沒(méi)學(xué)過(guò)機(jī)器學(xué)習(xí)的小白變成大神，不過(guò)我們希望這些文章能給大家一個(gè)足夠的引導(dǎo)。幫助大家在學(xué)習(xí)的過(guò)程中少走些彎路，我們今后還會(huì)陸續(xù)發(fā)布更多更深入的教程，敬請(qǐng)大家持續(xù)關(guān)注~

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。