如果只是希望快速上手训练神经网络、调用 PyTorch 搭建简单模型做 Demo可以跳过系统机器学习学习直接入门深度学习。但如果你打算长期深耕 AI、从事算法相关工作、想看懂论文、遇到模型效果差时能够分析原因非常建议先系统学习机器学习基础知识。为什么有必要学习传统机器学习损失函数、梯度下降、过拟合、偏差方差、正则化、评价指标等概念最早都源于传统机器学习不理解根源学习深度学习只会停留在调参阶段。树模型、逻辑回归、SVM、聚类等算法依然大量应用在工业场景很多业务基线依旧依靠传统 ML。能够建立 “如何从数据中学习” 的通用思维而不是只会神经网络这一种工具。给新手一条清晰可行的学习路线✅ 推荐路线推荐大多数人选择动手学机器学习 → 动手学深度学习 →进阶可选动手学强化学习《动手学机器学习》负责搭建统计学习基础吃透经典算法与通用建模思想本书每一章都由一个Python Notebook组成Notebook中包括机器学习相关概念定义、理论分析、算法过程和可运行代码。读者可以根据自己的需求自行选择感兴趣的部分阅读。例如只想学习各个算法的整体思想而不关注具体实现细节的读者可以只阅读除代码以外的文字部分已经了解算法原理只想要动手进行代码实践的读者可以只关注代码的具体实现部分。本书面向的读者主要是对机器学习感兴趣的高校学生不论是本科生还是研究生、教师、企业研究员及工程师。在阅读本书之前读者需要掌握一些基本的数学概念和数理统计基础知识如矩阵运算、概率分布和数值分析方法等)。本书包含4个部分。第一部分为机器学习基础主要讲解机器学习的基本概念以及两个最基础的机器学习算法即KNN和线性回归并基于这两个算法讨论机器学习的基本思想和实验原则。这一部分涵盖了机器学习最基础、最主要的原理和实践内容完成此部分学习后就能在大部分机器学习实践场景中上手解决问题。第二部分为参数化模型主要讨论监督学习任务的参数化模型包括线性模型、双线性模型和神经网络。这类方法主要基于数据的损失函数对模型参数求梯度进而更新模型在代码实现方面具有共通性。第三部分为非参数化模型主要关注监督学习的非参数化模型包括支持向量机、树模型和梯度提升树等。把非参数化模型单独作为一个部分来讨论能更好地帮助读者从原理和代码方面体会参数化模型和非参数化模型之间的区别和优劣。第四部分为无监督模型涉及聚类、PCA降维、概率图模型、EM算法和自编码器旨在从不同任务、不同技术的角度讨论无监督学习让读者体会无监督学习和监督学习之间的区别。本书的4个部分皆为机器学习的主干知识希望系统掌握机器学习基本知识的读者都应该学习这些内容。本书为机器学习的入门读物也可以作为高校机器学习课程教学中的教材或者辅助材料。本书提供的代码都是基于Python 3编写的读者需要具有一定的Python编程基础。我们对本书用到的Python工具库都进行了简要说明。每一份示例代码中都包含可以由读者自行设置的变量方便读者进行修改并观察相应结果从而加深对算法的理解。《动手学深度学习PyTorch版》基于 PyTorch 系统学习神经网络、CNN、RNN、Transformer 等主流深度模型配套大量可运行代码。本书重新修订《动手学深度学习》的所有内容并针对技术的发展新增注意力机制、预训练等内容。本书包含15章第一部分介绍深度学习的基础知识和预备知识并由线性模型引出最简单的神经网络——多层感知机第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。后续如果想拓展智能决策、机器人、博弈 AI 方向可以继续学习《动手学强化学习》。本书每一章都由一个Python Notebook组成Notebook中包括强化学习相关概念的定义、理论分析、算法过程和可运行代码。读者可以根据自己的需求自行选择感兴趣的部分阅读。例如只想学习各个算法的整体思想而不关注具体实现细节的读者可以只阅读除代码以外的文字部分已经了解算法原理只想动手进行代码实践的读者可以只关注代码的具体实现部分。本书面向的读者主要是对强化学习感兴趣的高校学生无论是本科生、研究生还是博士生、教师、企业研究员及工程师。在阅读本书之前读者需要掌握一些基本的数学概念和机器学习的基础知识如概率论和神经网络等。本书共包含强化学习基础、强化学习进阶和强化学习前沿三大部分。由于篇幅原因我们只对这些前沿的强化学习研究进行较为简单的介绍其中每个方向扩展开来都可以单独整理成一本专著。在本书的阅读和学习过程中若读者对某一方向比较感兴趣可以通过阅读相关论文进行更加全面、深入的了解。