机器学习（深度学习）路线

数学相关

1.1 微积分：深度学习需要掌握高数微积分的知识，例如基本的求导、偏导数、梯度概念

资源：浙江大学微积分 MIT 微积分公开课[1]   MIT 微积分公开课[2] 

1.2 线性代数：需要掌握矩阵乘法、特征值、特征向量等，了解矩阵求导，深度学习中90%的运算可能都是优化为矩阵的运算，通过NumPy等高度优化的库完成。

资源：MIT 线性代数公开课   同济大学线性代数   清华大学李永乐-线性代数

1.3 概率论：了解各类分布，如正态分布、泊松分布等，权重初始化时常常使用某种分布的随机数进行初始化。掌握最大似然原理等。

资源：斯坦福大学cs229概率论pdf

Linux

Linux基础、shell编程、grep、awk、sed，正则表达式

视频教程：

相关书籍：

优质博客：

Python

1.1 Python基础

 

 

1.2 Python常用库：NumPy、Pandas、Maplotlib

pandas.read_csv函数详解

1.3 计算机视觉库：OpenCV2

• 计算机视觉之OpenCV中的GUI特性
• 计算机视觉之OpenCV图像的基础操作
• 计算机视觉之OpenCV中的图像处理1(13章-17章）
• 计算机视觉之OpenCV中的图像处理2（18章-20章）

常见报错问题：[导入报错问题]

1.3 机器学习构架：Scikit-learn

 

常见报错问题：[导入KFold报错]  [版本更新报错问题]

1.4 深度学习框架：TensorFlow

TensorFlow环境配置：[CPU版本安装]   [GPU版本安装]