入门合辑，不知道该怎么入门的可以看这里 | 国庆特辑

国庆节来了，社长我也休息一下。

借此机会，把我们之前发过的内容做一次总结，也方便大家查阅~

今天带来的是机器学习、深度学习以及NLP的入门文章。

之前或许看的都是单片的指导文章，这回可以对比一下各家言论，看看哪一种更适合自己。

大家可以把本文收藏下来，这样方便回过头来向各个章节跳转。

写这篇文章的初衷是大部分私信我的朋友都想了解如何入门 / 转行机器学习，搭上人工智能这列二十一世纪的快车。再加上这个问题每隔一阵子就会在知乎时间线上出现一次，因此想写一篇文章来 “一劳永逸” 的分享我的观点。

文章的宗旨是：

1. 指出一些自学的误区 

2. 不过多的推荐资料

3. 提供客观可行的学习表 

4. 给出进阶学习的建议。

这篇文章的目标读者是计划零基础自学的朋友，对数学 / 统计基础要求不高，比如：

• 在读的学生朋友

• 非计算机行业的读者

• 已经工作但想将机器学习 / 数据分析和自己的本职工作相结合的朋友

因此，这篇文章对于已经身处机器学习领域可能帮助不大。同时再次声明这只是我的个人看法，请大家有选择的性阅读，探索适合自己的学习方法。

多年来，由于实验室研究和现实应用效果之间的鸿沟，少有人持续研究人工智能，AI 在很多领域停滞不前。

但近两年，AI 在一些领域陆续有了重大突破，比如：图像识别；自动驾驶；Alpha Go 等。许多八九十年代的算法，由于硬件慢和缺乏数据等原因束之高阁。而现在，有众多大数据集和大规模并行芯片的支持，这些算法终于初见成效。

在过去的一年多时间里，研究人员奋笔疾书，竞相出版专著，以满足读者对深度学习知识的渴求。第一本关于深度学习的书已经上架，更多的将会在夏天或者明年年初陆续上架。我有幸提前拜读了若干专著的初稿，这些书的最终出版让人期待万分。

接下来给大家推荐一些深度学习书籍，这些书可以引导大家如何学习人工智能，对深度学习的快速理解有很大帮助。

之前一段时间，在结合深度学习做 NLP 的时候一直有思考一些问题，其中有一个问题算是最核心一个：究竟深度网络是怎么做到让各种 NLP 任务解决地如何完美呢？到底我的数据在 NN 中发什么了什么呢？

并且，不少的 terms like： 词向量、word embedding、分布式表示、word2vec、glove 等等，这一锅粥的名词术语分别代表什么，他们具体的关系是什么，他们是否处于平级关系？

出于对知识结构追求完整梳理的强迫症的老毛病，于是不停地查资料、思考、keep revolving……

然后就感觉有一点小进展了。想到，不如将个人对其的理解，无论对错，先拿出来跟 peer 分享下，或许能交换出更有意义的东西呢？

整篇文章的构架是按照属于概念在逻辑上的先后大小顺序，一层一层一级一级地往下剖析、比较、说明。

另外说明下，here 整篇文字内容相对是比较入门，甚至有的点可能描述的不太客观正确，限于当前的认知水平…… 还请您海涵，希望您在评论中指正！

关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 这里有几个原因： 1. 深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。 2. 中国人或美国人写的书籍或文章，普遍比较难一些。我不太清楚为什么，不过确实是这样子的。

深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？听我来给你侃侃。看完，你也会觉得没那么难了。

本文是针对初学者，高手可以无视，有不对的地方，还请多多批评指正。

各位读者手中有没有其他好文章推荐呢？欢迎在评论区告知，或者在后台推推荐好文章，社长会从中筛选好文章，再发出来给大家看的~

新人福利

关注 AI 研习社（okweiwu），回复  1  领取

【超过 1000G 神经网络 / AI / 大数据，教程，论文】

2 分钟论文系列合辑 | 国庆特辑

▼▼▼