人工智能学习清单

人工智能学习清单

一份人工智能学习清单，帮助初学者了解本领域知识框架，以及查找优秀学习资源。

部分资源分享在GitHub，欢迎star与贡献。

Ⅰ. 基础知识

1. 人工智能：了解人工智能的概念，及其涉及的具体领域。

参考资料：

[1] Russell, Stuart, and Peter Norvig. “Artificial intelligence: a modern approach.” (1995)，书籍

2. 机器学习：全面了解机器学习术语、算法、评价指标、和流程，可按照监督学习、无监督学习、半监督学习与强化学习的顺序逐步深入学习。

入门资料：

[1] 周志华. “机器学习.” (2016)，书籍（俗称西瓜书），配套公式推导：南瓜书

[2] Andrew Ng(Stanford). "CS229: Machine Learning "，在线课程（2018秋季版），中字视频：【斯坦福大学】CS229 机器学习

[3] 李宏毅. “机器学习”，在线课程

深入学习：

[1] 机器学习白板推导，在线课程

[2] 李航. “统计学习方法.” (2012)，书籍

[3] Tom Mitchell. “Machine Learning.” (1997)，书籍

3. 深度学习：全面学习随机梯度下降法、深度神经网络（包括前馈网络MLP、CNN等与反馈网络如RNN等）、注意力机制与深度强化学习，在实战中掌握深度学习的全流程。

入门资料：

[1] 李沐 等. “动手学深度学习 第二版”，书籍及在线课程

[2] Andrew Ng(Stanford). “CS230: Deep Learning”，在线课程

深入学习：

[1] Ian Goodfellow, Yoshua Bengio, Aaron Courville. “深度学习”(2017)，中译版，书籍（俗称花书）

4. 数据科学：了解数据科学中的四种常见数据类型：图像、序列、表格、图（Graph），熟悉数据获取、存储、提取、预处理、可视化相关技术，掌握统计学基础，熟练应用科学计算与数据分析工具。

参考资料：

[1] Road to Data Scientist，Roadmap

[2] Wes McKinney. 利用Python进行数据分析 第二版，中译版，书籍

5. 细分领域：深入研究人工智能的具体领域，如自然语言处理，计算机视觉，时间序列处理，可解释人工智能等

自然语言处理：CS124: From Languages to Information，CS224d: Deep Learning for Natural Language Processing，与CS224n: Natural Language Processing with Deep Learning，在线课程

计算机视觉：CS231n: Convolutional Neural Networks for Visual Recognition，在线课程

时间序列处理：Adhikari, R., & Agrawal, R. K. (2013). An introductory study on time series modeling and forecasting. arXiv preprint arXiv:1302.6613.，文章；Introduction to Time Series Forecasting (Python)，Deep Learning for Time Series Forecasting，Blogs

时空数据处理：W. Li, W. Tao, et.al., A Survey on Spatial and Spatiotemporal Prediction Methods，文章；
X. Shi and D.-Y. Yeung, Machine learning for spatiotemporal sequence forecasting: A survey，文章。

图神经网络：Yao Ma, Jiliang Tang (2021). Deep Learning on Graphs，书籍；J. Zhou et al., Graph neural networks: A review of methods and applications，文章；Z. Wu, S. Pan et.al. A comprehensive survey on graph neural networks，文章。

可解释人工智能：AAAI2020 XAI Tutorial, CVPR2021 Interpretable Machine Learning for Computer Vision Tutorial, CVPR 2020 Interpretable Machine Learning for Computer Vision Tutorial，Tutorials

Ⅱ. 工具

1. 编程语言：熟练掌握Python。

入门教程：

[1] Python基础教程|菜鸟教程

[2] 廖雪峰Python教程

深入学习：

[1] Intermediate Python 中文版

[2] PEP8中文版 – Python编码风格指南

2. 深度学习框架：熟练掌握至少一种深度学习框架，如Pytorch，TensorFlow 2（Keras）等。

入门教程：

[1] DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ

[2] Your First Deep Learning Project in Python with Keras Step-By-Step

[3] TensorFlow 2 Tutorial: Get Started in Deep Learning With tf.keras

[4] 动手学深度学习 PyTorch 实现，代码仓库

[5] 动手学深度学习 TensorFlow2.0 实现，代码仓库

3. 科学计算与数据分析工具：以Python语言为例，需掌握numpy，scipy，pandas，statsmodels

参考资料为各个库的文档，且以最新英文版文档为宜（不要看中译版）。