本文為 AI 研習(xí)社編譯的技術(shù)博客，原標(biāo)題 :
7 Resources for Those Wanting to Learn Data Science
作者 | Bruno Trentini
翻譯 | 凱伊·斯特朗、Eli伊萊、唯愛我清、Ophria
校對 | 鄧普斯·杰弗 整理 | 菠蘿妹
https://towardsdatascience.com/7-resources-for-those-wanting-to-learn-data-science-a89e25d1b55e
有時(shí)你只需要知道如何開始即可，以下是那些適用于我的經(jīng)驗(yàn)。
數(shù)據(jù)科學(xué)從一開始就是一個(gè)交叉學(xué)科，要求從業(yè)者在計(jì)算機(jī)、數(shù)學(xué)領(lǐng)域具備一定的技能，同時(shí)還要具備在同人與生意打交道的經(jīng)驗(yàn)。有些人會在多年的工作生活中慢慢累積相關(guān)的經(jīng)驗(yàn)，但是如果那兒有一個(gè)捷徑存在呢?
現(xiàn)在我決定同大家分享我在數(shù)據(jù)科學(xué)這條路上幫我打基礎(chǔ)的7大資源。選取的這些資源即兼顧了趣味兒性的同時(shí)也兼顧了包含在內(nèi)的數(shù)據(jù)與科學(xué)原理。
寫在前面
'數(shù)據(jù)科學(xué)'的關(guān)鍵詞不是數(shù)據(jù)，而是科學(xué)。--杰夫·萊克
約翰霍普金斯大學(xué)彭博公共衛(wèi)生學(xué)院教授Jeff Leek在5年前寫道:'數(shù)據(jù)科學(xué)中的關(guān)鍵詞不是'數(shù)據(jù)'，是'科學(xué)'。僅在使用數(shù)據(jù)回答問題時(shí)數(shù)據(jù)科學(xué)才有用。這是等式的科學(xué)部分。這種數(shù)據(jù)科學(xué)觀點(diǎn)的問題在于它比關(guān)注數(shù)據(jù)大小或工具的觀點(diǎn)要困難得多。計(jì)算數(shù)據(jù)集的大小要容易得多，并且說'我的數(shù)據(jù)比你的大'，或者說'我能在 Hadoop 中編碼，你能嗎?' 而不是說'我有這個(gè)非常難的問題，我可以用我的數(shù)據(jù)回答嗎?'。'
數(shù)據(jù)科學(xué)是個(gè)老概念了，John Graunt 在它還是個(gè)新概念的時(shí)候就研究它了。正是在15世紀(jì)的小冰期，他利用概率模型開發(fā)了人口統(tǒng)計(jì)學(xué)的第一部作品。到1960年，該主題已經(jīng)非常成熟并且被稱為數(shù)據(jù)，但是僅在2012年哈佛商業(yè)評論發(fā)表文章'數(shù)據(jù)科學(xué)家:21世紀(jì)最性感的工作'后這個(gè)詞和這個(gè)工作才越來越受歡迎。此后僅兩年，就可以獲得關(guān)于該主題的大量在線課程。谷歌趨勢顯示了一些有趣的東西:盡管自2004年以來'統(tǒng)計(jì)學(xué)家'一詞呈下降趨勢，但'數(shù)據(jù)科學(xué)家'這一術(shù)語在哈佛商業(yè)評論的文章之后有了更強(qiáng)烈的積極變動，并且當(dāng)在線課程的提供增加時(shí)，它得到了提升。
考慮到這一點(diǎn)，我要說清楚:數(shù)據(jù)科學(xué)家不是統(tǒng)計(jì)學(xué)家，并且他們也不會代替統(tǒng)計(jì)學(xué)家(反之亦然)，但對統(tǒng)計(jì)學(xué)和數(shù)學(xué)的真正興趣才是正確進(jìn)行數(shù)據(jù)科學(xué)的關(guān)鍵。我自己不是個(gè)統(tǒng)計(jì)學(xué)家，但是下面的第一個(gè)資源讓我喜歡上這個(gè)主題。
還請觀察下面資源如何更多地關(guān)注'好奇心'和'理解'而不是'應(yīng)用'。
你喜歡清單嗎?
簡而言之，7個(gè)資源是:
Machine Learning Course，由斯坦福大學(xué)創(chuàng)建并由Andrew Ng執(zhí)教
Introduction to Mathematical Thinking，同樣由斯坦福大學(xué)創(chuàng)建并由Keith Devlin執(zhí)教
該清單既不是按照時(shí)間順序也不是按重要性順序，很多這些事情會同時(shí)發(fā)生并且4-7項(xiàng)幾乎肯定會并且永遠(yuǎn)成為你作為數(shù)據(jù)科學(xué)家日常工作的一部分。
來讓我看看細(xì)節(jié)部分吧!
醉漢漫步
(譯者注:這是一本書，豆瓣地址:https://book.douban.com/subject/3102009/)
許多年前(大概是2009年?)當(dāng)我在圣誕節(jié)收到這本書時(shí)，對它并沒有很深的印象，但是多年后它變成了我一直以來的最愛。
醉漢漫步這本書是幫助我們理解隨機(jī)性對我們生活造成的影響，亞馬遜的產(chǎn)品描述是這樣的'它揭露了這些心理錯(cuò)覺是如何阻擋我們理解生活，從選股到品酒'。
它幫助我覺察到我們是多么容易成為概率的受害者，也幫助我理解為什么我們更容易推到理解導(dǎo)致事件發(fā)生的所有因素，而預(yù)測類似情況會不會再次發(fā)生卻很難的原因。
從分析者的角度來說，這本書向我們展示了預(yù)測模型的重要性也從統(tǒng)計(jì)數(shù)據(jù)的角度證明了歷史事件發(fā)生的必然性，同樣還向我們展示了如何使用數(shù)據(jù)來解答一些難以理解的問題，以及為什么有些問題仍舊無法獲得答案。我把這本書認(rèn)為是我同'數(shù)據(jù)科學(xué)'的第一次親密接觸。
另外一本很好的同類讀物是:《Algorithms to Live by: The Computer Science of Human Decisions.》(《生活中的算法:人類決策中的計(jì)算機(jī)科學(xué)》)
機(jī)器學(xué)習(xí)
這門課是斯坦福大學(xué)在Coursera上的公開課，是很多朋友也是我在機(jī)器學(xué)習(xí)中的入門課，在我看來這是一個(gè)必讀的課程。
它會首先幫你復(fù)習(xí)線性代數(shù)中的核心概念，然后會教你基礎(chǔ)的Matlab(Octave)編程。完成這些后，才會提出第一個(gè)關(guān)于一元回歸的概念。之后，課程會帶你學(xué)習(xí)一些有趣的部分，比如做數(shù)據(jù)分析的一些主要方法工具以及神經(jīng)網(wǎng)絡(luò)，但是如果你想很認(rèn)真很認(rèn)真的學(xué)習(xí)，那你就要多做練習(xí)并且在過程中會接觸到很多課外知識，這些都會幫助你建立在機(jī)器學(xué)習(xí)中的直覺與數(shù)學(xué)能力。
數(shù)學(xué)思維概論
2008年我的大學(xué)階段我很開心，因?yàn)槲以谶@個(gè)階段學(xué)習(xí)了不同種類的數(shù)學(xué)。即便這樣，我也打算來聽斯坦福大學(xué)在Coursera上的這門公開課，通過它來幫助我回顧數(shù)學(xué)中的一些核心概念，同時(shí)增強(qiáng)我的數(shù)學(xué)技能。這門課不僅覆蓋了我在第一學(xué)期中學(xué)到的一些概念，它還提升了我在分析思維上的能力。對于大多數(shù)人來說，這門課在幫助大家從傳統(tǒng)的推理思維轉(zhuǎn)換到數(shù)學(xué)思維這件事兒上建立了一個(gè)很好的范例。除此以外，部分課程會在數(shù)學(xué)證明上具有一定的挑戰(zhàn)性。特別是對于普通的書寫語言而言，它會讓你有一種在學(xué)習(xí)一門新語言的感覺。
你不會感到學(xué)習(xí)'一門新語言'這件事很痛苦，因?yàn)榕兴季S對數(shù)據(jù)科學(xué)尤為重要。另外一個(gè)重要的點(diǎn)(或者說減輕痛苦的點(diǎn))是這門課會幫助你在探索數(shù)據(jù)科學(xué)時(shí)掃清一些常見謬誤的概念。
Master List of Logical Fallacies 邏輯謬論列表
utminers.utep.edu/omwilliamson/emgl1311utminers.utep.edu
如果在剛開始學(xué)習(xí)這些內(nèi)容時(shí)把你自己所在一個(gè)籠子里幾周，出來后你會對很多你聽到的、你見到的事情產(chǎn)生質(zhì)疑。不要忘了目標(biāo):數(shù)據(jù)科學(xué)!
Dilbert列舉了許多常見謬誤
編程
總的來說，無論你的職業(yè)選擇是如何，你都要學(xué)會編程。它能在很多方面讓你的工作生活變的有趣和方便。
大體來說，對于生活中遇到的一些數(shù)據(jù)科學(xué)問題我們已經(jīng)漸漸不用再自己去編程，這部分任務(wù)已經(jīng)被 Alteryx, Azure Studio, Dataiku, H2O.ai, or Knime這些平臺完成。然而，成為一個(gè)通用框架或編程專家在很長一段時(shí)間內(nèi)都能給你在快速高效處理未清洗的機(jī)器學(xué)習(xí)數(shù)據(jù)時(shí)極強(qiáng)的自信。
在最開始時(shí)你的問題可能是'我如何把csv文件的內(nèi)容讀取到數(shù)據(jù)框架里?我如何做一些簡單的數(shù)據(jù)可視化工作?我如何把所有類里的數(shù)據(jù)值變成數(shù)值?我如何處理多列表數(shù)據(jù)集?'，在過了某個(gè)時(shí)間節(jié)點(diǎn)后，你的問題就變成'這里用loopsin合適嗎，還是有其他的方式能達(dá)到這個(gè)目標(biāo)，比如vectorised?我如何才能把我的算法簡化從而降低所占用的計(jì)算機(jī)資源?'
幸運(yùn)的是你有很多種選擇來解決這些問題與挑戰(zhàn):更多有經(jīng)驗(yàn)的人，Stack Overflow、Quora還有其他一些社區(qū)。
對編程語言來說，我推薦Python作為人工智能的入門語言，因?yàn)樗苋菀咨鲜?，而且它在?shù)據(jù)科學(xué)家中很流行，因?yàn)樗腜andas，Numpy，Matplotlib等多個(gè)庫可以幫助他們很好的處理數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)清洗及可視化等問題，而且它和機(jī)器學(xué)習(xí)框架TensorFlow配合很好，可以讓你很輕松的就調(diào)用GPU的算力。
另外一條比較通用的路徑就是R語言了。相對于Python可能會讓你花點(diǎn)時(shí)間進(jìn)入'數(shù)據(jù)科學(xué)'的世界這件事來講，R會讓你立馬進(jìn)入統(tǒng)計(jì)模型的世界。相比之下，選擇Python除了數(shù)據(jù)科學(xué)這個(gè)功能外，它還能幫助你更好的理解編程這件事，讓你上手其他語言如C++,Java更快。但是無論你選擇R還是選擇Python，都是可以的。
看看Udemy的這個(gè)課程，我沒去學(xué)習(xí)它，但是就課程內(nèi)容和價(jià)格來講，看起來還不錯(cuò)，鏈接如下:
https://www.udemy.com/the-data-science-course-complete-data-science-bootcamp/
另外一個(gè)比較好的資源就是Gareth James的 An Introduction to Statistical Learning with Applications in R(R語言在統(tǒng)計(jì)學(xué)習(xí)中的應(yīng)用)。這本書在鏈接中就能看到，它的核心內(nèi)容是如何使用R語言進(jìn)行統(tǒng)計(jì)編程。如果你線性代數(shù)沒有學(xué)的很扎實(shí)，這本書會嚇到你(你第10頁就會遇到)。無論你如何選擇，你都需要學(xué)習(xí)數(shù)學(xué)。。。
對數(shù)學(xué)的無偏見評論
我一直很喜歡數(shù)學(xué)，但是我在高中的時(shí)候?qū)W的比較一般。在大學(xué)階段我就學(xué)的比較好了，當(dāng)然是通過不懈的努力(2013年的時(shí)候)。差不多這個(gè)時(shí)候我決定我將在未來的某個(gè)時(shí)間節(jié)點(diǎn)去攻讀碩士研究生，然而在學(xué)習(xí)Gre和GMAT的過程中，我就發(fā)現(xiàn)了我一些基礎(chǔ)知識薄弱的地方，中間還有個(gè)有趣的插曲，就是我是通過看視頻學(xué)習(xí)的，這個(gè)視頻不是一般的視頻，而且給孩子學(xué)習(xí)數(shù)學(xué)看的lol。
多年后，我開始接觸到了數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的邊角:高級線性代數(shù)和計(jì)算。雖然說這對于成為一個(gè)數(shù)據(jù)科學(xué)家來說并不是一個(gè)必須品，但是它對你理解數(shù)據(jù)很有幫助，比如說一個(gè)主成分分析(PCA)倒是在做什么。懂的數(shù)據(jù)背后的數(shù)學(xué)可以在講述故事的時(shí)候幫助你很多，當(dāng)日是在開始的時(shí)候。
2個(gè)群在3個(gè)主成分中的繪圖(自有資源)。數(shù)學(xué)直覺可以很好的幫助你理解這個(gè)。
總的來說，Manhattan Prep的線上課程雖然昂貴，但是對我學(xué)習(xí)數(shù)學(xué)起到了至關(guān)重要的作用。它幫助在今天更容易的理解機(jī)器學(xué)習(xí)，統(tǒng)計(jì)學(xué)和金融分析。擁有一個(gè)牢固的數(shù)學(xué)基礎(chǔ)可以幫助你學(xué)習(xí)新知識時(shí)更快更好，同樣它在工作效率和自我認(rèn)同上也提供了非常重要的作用。
看看下邊的資源:
GRE Just Math | Manhattan Prep
GRE Just Math is your live, comprehensive GRE Math prep course taught by a 99th-percentile GRE Math expert. In one…www.manhattanprep.com
Manhattan Prep GRE Set of 8 Strategy Guides, 4th Edition : Manhattan Prep : 9781937707910
Manhattan Prep GRE Set of 8 Strategy Guides, 4th Edition by Manhattan Prep, 9781937707910, available at Book Depository…www.bookdepository.com
除非你想獨(dú)自研究或者學(xué)習(xí)算法，高級線性代數(shù)與計(jì)算并不是必備的，它對我來說是更快理解核心觀念的工具，尤其是在統(tǒng)計(jì)模型中。
人
作為一個(gè)數(shù)據(jù)科學(xué)可能需要你安靜的坐下來，然后敲無止盡的代碼，做成天上月的特征工程，最后才能得到一些有意義的數(shù)據(jù)。在這樣的情況下，一個(gè)人如果無法能從高認(rèn)知層面上解釋或者理解它在干什么以及它為什么這么干，那么他是無法從中獲得樂趣的。當(dāng)日，最關(guān)鍵的是你需要首先定義清楚你要解決的問題。
假設(shè)你是一個(gè)電子商務(wù)公司的數(shù)據(jù)科學(xué)家，你突然接到報(bào)告說'信用卡欺詐交易數(shù)量突然間上升了'。雖然說你對于這個(gè)問題還沒有任何線索，但是你心中已經(jīng)知道大概可以先從這幾個(gè)點(diǎn)入手。一個(gè)新手會犯的錯(cuò)誤是直接去看一個(gè)分類或者群模型，只是因?yàn)?欺詐'這個(gè)字眼影響你這么做。探索性的數(shù)據(jù)分析可以在最開始的時(shí)候幫助你，但是核心問題仍舊無法被回答:應(yīng)該去分析什么，從哪兒開始，最終的目標(biāo)是什么，如何來衡量你工作的影響。最終可能你會發(fā)現(xiàn)問題是出在版本發(fā)行中的一個(gè)bug，一個(gè)你無須什么數(shù)據(jù)分析技巧就能解決的問題。
事實(shí)上設(shè)計(jì)思維是一個(gè)在People中被廣泛認(rèn)知的方法論。尤其是在基礎(chǔ)交流、講故事、定義問題和產(chǎn)品開發(fā)中。盡管設(shè)計(jì)思維同數(shù)據(jù)科學(xué)沒有直接的聯(lián)系，但是它可以幫助數(shù)據(jù)科學(xué)家同身邊的人交流并交付'數(shù)據(jù)產(chǎn)品'。
總的來說，一個(gè)人在某一個(gè)方面越專精，越容易通過支持?jǐn)?shù)據(jù)定義一個(gè)問題，并基于支持?jǐn)?shù)據(jù)來快速高效的提出解決方案。不可忽略的是，哪怕是一個(gè)資深數(shù)據(jù)科學(xué)家，也要通過同人來交流從而幫助他解決遇到的挑戰(zhàn)。
A Virtual Crash Course in Design Thinking
This is an online version of one of our most frequently sought after introductory learning experiences. Using a video…dschool.stanford.edu
在很多情況下，理解更有經(jīng)驗(yàn)的人的觀點(diǎn)是非常有用的，同時(shí)這也是一種捷徑。你可以和來自世界各個(gè)角落的人分享觀點(diǎn)，參加黑客馬拉松和各種聚會，世界上的大多數(shù)城市都會有諸如此類的活動。核心是交流，學(xué)習(xí)和分享。完全沒有理由孤立自己。
'正統(tǒng)'經(jīng)濟(jì)學(xué)和'異端'經(jīng)濟(jì)學(xué)
如果你正在處理消費(fèi)者數(shù)據(jù)，這些資源將會特別有用。但是如果你正在處理數(shù)據(jù)中心監(jiān)控?cái)?shù)據(jù)，藥品數(shù)據(jù)，金融監(jiān)控，工廠傳感器上的生物醫(yī)學(xué)數(shù)據(jù)，這些資源基本用不上。記住，這篇文章是基于我自身的經(jīng)驗(yàn)，但是這里的要點(diǎn)是獲取某一專業(yè)領(lǐng)域的知識。
我用簡單的方式介紹一下兩者的不同:正統(tǒng)經(jīng)濟(jì)學(xué)著重用一串的主流模型解釋過去，現(xiàn)在和未來。然而'異端'經(jīng)濟(jì)學(xué)加入了很多的社會中的個(gè)人情況，經(jīng)常在均衡中帶入一些主觀性。
拿巴西汽車價(jià)格舉例。雖然巴西仍然在與高物價(jià)，荒謬的稅收，僅僅只有12%的地方鋪有公路等情況做著斗爭，但是汽車制造商仍然有很高的利潤率。除此之外，當(dāng)人們在買車的時(shí)候，人們更傾向購買高檔次的汽車，有時(shí)不惜以過高的利率分72期進(jìn)行償還。這又很多客觀的和主觀的原因在里面。相比于公共交通的質(zhì)量，有一輛好車既是地位的象征，同時(shí)在繁忙的交通中人們有一輛車感覺會更好......這些變量可以用'正統(tǒng)'經(jīng)濟(jì)學(xué)進(jìn)行評估，但是當(dāng)每一個(gè)人都有自己的價(jià)值感知時(shí)，這些變量就不能直接進(jìn)行評估了。這個(gè)挑戰(zhàn)是在購買者和利潤率都最大化時(shí)定義產(chǎn)品和價(jià)格。所以理解文化價(jià)值和宏觀經(jīng)濟(jì)因素對感知的影響之間的對抗是重要的，這將對你進(jìn)行分析更加有利。而且，理解個(gè)人行為是個(gè)性化的關(guān)鍵，同時(shí)這也是數(shù)據(jù)科學(xué)中的一個(gè)重要主題。順便說一句，根據(jù)以上的例子，利率同樣來自主觀的因素，比如借款人和貸款人的時(shí)間偏好。
理解經(jīng)濟(jì)學(xué)是處理國際業(yè)務(wù)的關(guān)鍵。明知道宏觀經(jīng)濟(jì)動態(tài)并不能夠徹底地被GDP或者(貿(mào)易)順差這樣的主流指標(biāo)解決,將迫使你自然而然地陷入可選擇但強(qiáng)制的辯解中。
出于我個(gè)人對金融危機(jī)的好奇，我大約在2008年的時(shí)候啟動了這些課題，但是我直到2012年的時(shí)候才發(fā)布了以下這些資源:
這些是怎么結(jié)合起來的呢?
現(xiàn)在，假設(shè)你是在一家負(fù)責(zé)CRM(客戶關(guān)系管理)和訂閱主要寵物產(chǎn)品供應(yīng)商的內(nèi)容管理的機(jī)構(gòu)工作。
以你對商業(yè)和人群不斷變化的理解，你寫了一個(gè)包含能夠?qū)撛诳蛻舴诸?并能識別'呼叫中心背景噪音有多大'與發(fā)表在企業(yè)APP上的'不斷增長的有關(guān)丑陋的狗狗內(nèi)容'的綜合因素有關(guān)的根本原因的代碼。
你還了解到'客戶中心的響度'與'狗狗的丑陋'不是獨(dú)立思考的客戶流失的主要原因。你把這些你用python的Season庫并且你允許它使用這些數(shù)據(jù)并用數(shù)據(jù)可視化工具活動起來建立起來的圖表呈遞給你的首席戰(zhàn)略官。你已經(jīng)成功地向組織的主要領(lǐng)導(dǎo)解釋了結(jié)論是如何形成的，就像指揮管弦樂隊(duì)的大師，但是你用對數(shù)學(xué)和統(tǒng)計(jì)建模的扎實(shí)理解的能力替代了指揮棒。你很自信，你的論點(diǎn)很有道理，這導(dǎo)致了領(lǐng)導(dǎo)層的認(rèn)可，因?yàn)槟悻F(xiàn)在正在創(chuàng)造一個(gè)欣欣向榮的環(huán)境來討論真正的問題，而不是謬誤。CRM將解決客戶容易流失的客戶案例，內(nèi)容經(jīng)理現(xiàn)在將開始發(fā)布有關(guān)llamas的更多信息，這將增加節(jié)假日的附加銷售，因?yàn)槟拇蠖鄶?shù)客戶都居住在秘魯一個(gè)旅游頻繁的城市。
最后，您還使用在GPU上運(yùn)行的密集神經(jīng)網(wǎng)絡(luò)的TensorFlow來訓(xùn)練這種流失預(yù)測算法，來處理數(shù)十億條記錄和特性。它的部署方式是，即時(shí)評估應(yīng)用程序、網(wǎng)站、實(shí)體商店和呼叫中心內(nèi)客戶的所有交互，使系統(tǒng)能夠了解模式，并在檢測到高流失可能性時(shí)通知您。
聽起來很瘋狂，但這就是數(shù)據(jù)科學(xué)的重點(diǎn):將問題轉(zhuǎn)化為答案，將挑戰(zhàn)轉(zhuǎn)化為巨大的機(jī)遇(在許多情況下，需要幾個(gè)月甚至幾年時(shí)間!)
總體思路
當(dāng)然，你接觸新信息的速度將超過你吸收新信息的能力。我仍然在學(xué)習(xí)許多我不完全理解的事情的進(jìn)程上。誠然，我的學(xué)位和專業(yè)經(jīng)驗(yàn)幾乎是自然地幫助我在這一領(lǐng)域中立足的，但以上資源是獨(dú)立的，我可以放心地說，幾乎每個(gè)職業(yè)都有可轉(zhuǎn)移的技能，可以用于數(shù)據(jù)科學(xué)。選擇一個(gè)開始的地方可能是令人望而生畏的，特別是有這么多可用的信息，但我希望經(jīng)驗(yàn)可以幫助您找到一些資源開始。
展望未來
我對數(shù)據(jù)科學(xué)有很多樂趣，我相信那些喜歡多學(xué)科領(lǐng)域和不斷學(xué)習(xí)的人也會有?，F(xiàn)在，我仍然依靠上面的一些資源來繼續(xù)前進(jìn)。不過，我更重視傾聽人們的經(jīng)歷。
事實(shí)上，它周圍的炒作和嗡嗡聲會讓很多人感到沮喪，許多神話-和過于簡單化-出現(xiàn)，但無論你是開始或只是路過，我希望這些資源對你有用。
想聽聽關(guān)于數(shù)據(jù)科學(xué)和A.I.的更多信息嗎?
在 twitter 上和媒體上關(guān)注我，在媒體上我會更經(jīng)常地分享和發(fā)布這些主題。
想要繼續(xù)查看該篇文章相關(guān)鏈接和參考文獻(xiàn)?
長按鏈接點(diǎn)擊打開或點(diǎn)擊【如果你想學(xué)數(shù)據(jù)科學(xué)，這7類資源千萬不能錯(cuò)過】:
https://ai.yanxishe.com/page/TextTranslation/1213
AI研習(xí)社每日更新精彩內(nèi)容，觀看更多精彩內(nèi)容:雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)(公眾號:雷鋒網(wǎng))
命名實(shí)體識別(NER)綜述
杰出數(shù)據(jù)科學(xué)家的關(guān)鍵技能是什么?
初學(xué)者怎樣使用Keras進(jìn)行遷移學(xué)習(xí)
如果你想學(xué)數(shù)據(jù)科學(xué)，這 7 類資源千萬不能錯(cuò)過
等你來譯:
深度學(xué)習(xí)目標(biāo)檢測算法綜述
一文教你如何用PyTorch構(gòu)建 Faster RCNN
高級DQNs:利用深度強(qiáng)化學(xué)習(xí)玩吃豆人游戲
用于深度強(qiáng)化學(xué)習(xí)的結(jié)構(gòu)化控制網(wǎng)絡(luò) (ICML 論文講解)
