Artificial-Intelligence-Roadmap

一、项目初衷

该repo旨在给极创工作室和西电科创社的学弟学妹提供一个大致的人工智能学习路径图，该路径图仅供参考，具体实施需要结合自己的实际情况就行选择。我们欢迎更多的同学对该repo有更多建议和优化方案，欢迎您使用Forking工作流提交 Pull Request，具体参考atlassian文档，大致步骤如下：

在GitHub上Fork本仓库
Clone Fork后的个人仓库
设置upstream仓库地址，并禁用push
我们建议使用分支开发
PR之前保持与原始仓库的同步，之后发起PR请求

二、学习路线及必备技能

2.1 学习路线

学习路线的制定主要参考了以下资料及链接：

西安电子科技大学人工智能专业2020级本科生培养方案
Datawhale人工智能培养方案
https://tjxj.github.io/

2.2 必备技能

前置技能
1. Git
  
  Git是目前世界上最先进的分布式版本控制系统（个人意见，不喜勿喷）。版本控制系统就是可以使我们的代码回溯到特定的阶段（避免疯狂ctrl z，没错说的就是屏幕前面不会有版本控制软件的你）。至于这些名词，我觉得大家去查一下就知道了。学习资料的话，推荐下面几个资料，希望能够帮助大家：
  1. 廖雪峰Git教程 -> url
  2. Git pro -> url
  3. Git官网
  4. faster-git -> url (好吧，这个也是我不要脸，打广告/doge，动动小手点个star)
2. Github
  
  Github我觉得是必须要掌握的技能之一，在Github上你不仅可以学习（~~copy~~)代码的规范书写，还可以学习到一些奇奇怪怪的技能（比如：how to cook）。但是，希望对Github上的内容进行辨别，做一个爱党爱国的好青年，而不是散发奇怪言论。
3. 搜索引擎
4. python
  
  许多机器学习和深度学习框架都是基于Python开发，因此python的学习至关重要。（个人认为，学到面向对象就行了）python的学习我只推荐两个资料，一个是下方三中的01 Python编程：从入门到实践 - 第二版和廖雪峰老师写的python教程 -> url。除去基本的学习以外，深度学习和机器学习涉及到大量的张量操作和图片读取操作，我个人建议大家可以再学习下下方的三个库。
  1. Numpy
  2. Pandas
  3. 数据读取：Opencv和PIL
数学知识

不论是机器学习还是深度学习，其实质是一个数学优化问题。因此，人工智能与数学紧密相关（当然，你不懂数学但是也可以会用），我希望各位能从道的角度去学习人工智能，而不是从术的角度只是去调用现有成熟的API。我们在下面列出和人工智能关系比较密切的数学。
1. 高等数学（上\下）
  
  高等数学是最基础的一门学科，机器学习与深度学习与数学关系密切，因此建议大家好好学习高等数学（不要轻视）
2. 线性代数
  
  线性代数同样是基础的一门学科，因为机器学习和深度学习涉及大量的矩阵操作知识，说实话，没学懂也不影响你用。但是我希望大家能从道的角度去学习，而不是局限于术的层次学习使用。
3. 概率论与数理统计
  
  同样是一门极其重要的课程，在大三上的机器学习，模式识别中占据及其重要的地位。
4. 最优化方法
  
  深度学习和机器学习实际上都是根据数据去优化模型，因此优化方法十分重要。这门课在西安电子科技大学20级人工智能专业是在大二下开设，个人觉得学起来倒也不是很难，是挺有趣的一门学科。
框架运用
1. 框架简介
  
  为了优化大家的开发体验，Google，Meta，Amazon，百度等机构推出了许多深度学习和机器学习框架，下图来源于paper with code -> url。我们可以看见整体上Pytorch已经从老大哥Tensorflow上接过了接力棒，因此我们还是建议大家学习PyTorch。
2. PyTorch
  
  允许我在这先打个广告：我们为了帮助大家更好的学习PyTorch，我们开设了thorough-pytorch课程，如果大家觉得有帮助的话，欢迎大家动一动小手点个star。
3. Tensorflow2.x
4. Keras
5. Paddlepaddle
6. JAX
7. MXNet

二、课程资料

课程序号	课程名字	总时长	链接地址
01	计算机视觉（本科）北京邮电大学 - 鲁鹏	21:29:39	[video url]
02	计算机视觉与深度学习北京邮电大学 - 鲁鹏	23:25:04	[video url]
03	【吃瓜教程】《机器学习公式详解》 - Datawhale	15:14:29	[video url]
04	Transformer模型 - ShusenWang	约1h	[video url]
05	2021版深度学习课程Deeplearning.ai - 吴恩达	28:35:55	[video url]
06	DeepLearning.ai 四项基础课		[docs]
07	适用于初学者的Pytorch编程教学	10:07:24	[video url]
08	2022最新版-机器学习深度学习课程 - 李宏毅	41:48:53	[video url]
09	CS229(2018秋）机器学习	26:33:14	[video url]
10	CS231n(2022 slides) 计算机视觉 - 李飞飞		[slides url]
11	CS224（2021）自然语言处理	25:15:27	[video url]
12	动手学深度学习 PyTorch版 - 李沐	约48h	[video url]
13	Practical Deep Learning for Coders		[docs]
14	精读论文系列 - 李沐		[video url]
15	CS329P - 李沐	11:16:00	[video url]
16	机器学习基石 - 林轩田	15:22:06	[video url]
17	机器学习技法 - 林轩田	16:03:43	[video url]
18	最优化理论与方法	约23h	[video url]
19	机器学习白板推导	60:39:02	[video url]
20	机器学习2021 - 吴恩达	19:37:02	[video url]
21	深度学习2021 - NYU-LeCun	41:37:48	[video url] [docs]

三、书籍资料

我学习的路子比较野，并看不下去太厚的书，但是我不排除学弟学妹之中有爱看书的孩子，我们在这也推荐几本不错的书。

编号	书籍名称	出版社
01	Python编程：从入门到实践 - 第二版	人邮&工信出版社
02	机器学习的数学 - 雷明	人邮&工信出版社
03	机器学习公式详解 - 谢文睿、秦州	异步图书
04	机器学习 - 周志华	异步图书
05	统计学习方法 - 李航	清华大学出版社
06	动手学深度学习 - 李沐	人民邮电出版社
07	深度学习 - （花书）	人民邮电出版社
08	神经网络与深度学习 - 邱锡鹏	机械工业出版社
09	深度学习推荐系统 - 王喆	电子工业出版社
10	信息检索导论 - 王斌（译）	人民邮电出版社
11

三、Paper推荐(经典之作)

教给大家一个搜索的方式：-> Github -> Awesome-想搜索的方向（eg: Awesome-object-detection

2016

[ResNet] Deep Residual Learning for Image Recognition.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun.
CVPR 2016. [paper] [code]

2017

[Transformers] Attention is All you Need.
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia Polosukhin.
[paper]

2020

[DETR] End-to-End Object Detection with Transformers.
Nicolas Carion, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, Sergey Zagoruyko.
ECCV 2020. [paper] [code]

四、网站推荐

编号	网站	链接
01	R2ML - 玩机器学习的张北海	[url]
02	天池大数据竞赛	[url]
03	kaggle 数据竞赛	[url*]
04	百度AI Studio	[url]
05	微软AI-EDU	[url]
06	AIHub	[url]
07	狐狸教程-互动学习IT技术	[url]
08	专知	[url]
09	神力AI	[url]
10	月来客栈	[url]
11	paper with code	[url]
12	动手学深度学习	[url]

带*号的链接需要梯子才能访问

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

Mr-atomer / Artificial-Intelligence-Roadmap