Machine-Learning-Learning-Path: 所属组织：https://gitee.com/orgk/ML.git

今天将历史技术博文重新整理了一下，分类更加清晰了，接下来尽量多写一些。

1. 关于如何入门机器学习/深度学习的方法

有很多朋友会问我要如何入门机器学习，第一篇文章中就给出了比较简单可行并且效果不错的学习路线。

2. 好玩儿的人工智能应用实战

兴趣是最好的老师，当你发现用机器学习技术可以做很多好玩的实用的东西时，你会深深地被吸引。

3. 解决机器学习问题的一般步骤

从整体的视角了解一般机器学习问题需要经过哪些步骤。

4. 通俗易懂详解机器学习各个算法

这部分会详细介绍一些常用算法的理论，也会包含一些面试常问知识点。

5. 机器学习实战技巧

这部分针对机器学习问题的每个环节解答一些实战中遇到的问题。

6. 详解深度学习主要神经网络模型

这部分按照时间轴，从神经网络的基础，到 RNN，LSTM，双向 LSTM，seq2seq，再到注意力机制，层层递进详解各个模型的理论基础和代码实例。

7. 深度学习实践技巧

这部分介绍深度学习的实战步骤中的一些关键问题。

8. 自然语言处理

关于自然语言处理的课程笔记或者实例。

9. 聊天机器人

包括聊天机器人的理论和实战。

10. TensorFlow

比较系统地学习 TensorFlow，之前都是 1.x 版本的。

11. Keras

后面会结合 TensorFlow 2 的内容一起写。

12. 强化学习

理论基础。

13. 数据科学

这里会包括数据科学家所需要的技术栈。

1. 关于如何入门机器学习/深度学习的方法：

有很多朋友会问我要如何入门机器学习，第一篇文章中就给出了比较简单可行并且效果不错的学习路线。

2. 好玩儿的人工智能应用实战：

兴趣是最好的老师，当你发现用机器学习技术可以做很多好玩的实用的东西时，你会深深地被吸引。

3. 解决机器学习问题的一般步骤：

从整体的视角了解一般机器学习问题需要经过哪些步骤。

4. 通俗易懂详解机器学习各个算法：

这部分会详细介绍一些常用算法的理论，也会包含一些面试常问知识点。

【0】数学基础：

【1】常用算法：

轻松看懂机器学习十大常用算法

【2】逻辑回归：

【3】支持向量机：

【4】决策树：

【5】集成学习：

（1）Bagging：

Bagging 简述

（2）Boosting：

（3）Stacking：

详解 Stacking 的 python 实现

【6】降维：

【7】时间序列：

用ARIMA模型做需求预测

【8】推荐系统：

推荐系统

【9】聚类：

5. 机器学习实战技巧：

这部分针对机器学习问题的每个环节解答一些实战中遇到的问题。

Kaggle:

6. 详解深度学习主要模型：

这部分按照时间轴，从神经网络的基础，到 RNN，LSTM，双向 LSTM，seq2seq，再到注意力机制，层层递进详解各个模型的理论基础和代码实例。

【1】神经网络基础知识

【2】CNN

【3】RNN

【4】LSTM

【5】双向 LSTM

双向 LSTM

【6】seq2seq

【7】Doc2Vec

用 Doc2Vec 得到文档／段落／句子的向量表达

【8】Attention

attention 机制入门

【9】GAN

【10】Transformer

图解什么是 Transformer

【11】BERT

7. 深度学习实践技巧：

这部分介绍深度学习的实战步骤中的一些关键问题。

8. 自然语言处理：

关于自然语言处理的课程笔记或者实例。

【1】斯坦福大学 cs224d 课程笔记

Day 1. 深度学习与自然语言处理主要概念一览
Day 2. TensorFlow 入门
Day 3. word2vec 模型思想和代码实现
Day 4. 怎样做情感分析
Day 5. CS224d－Day 5: RNN快速入门
Day 6. 一文学会用 Tensorflow 搭建神经网络
Day 7. 用深度神经网络处理NER命名实体识别问题
Day 8. 用 RNN 训练语言模型生成文本
Day 9. RNN与机器翻译
Day 10. 用 Recursive Neural Networks 得到分析树
Day 11. RNN的高级应用

【2】中文自然语言处理

9. 聊天机器人：

论文

10. TensorFlow：

比较系统地学习 TensorFlow，之前都是 1.x 版本的，后面会写一写 2.0 的应用。

11. Keras：

对比学习用 Keras 搭建 CNN RNN 等常用神经网络

12. 强化学习：

13. 数据科学：