数据科学

View Through NBViewer

AI / ML / DL / Data Mining 的关系

资料

• ML/DL
  • Machine Learning for Beginners - MicroSoft: 比较有意思的 ML 入门课
  • 100-Days-Of-ML-Code - 100 天从 ML 到 DL，比较全的学习路线
  • 动手学深度学习（Dive into Deep Learning，D2L）
  • transformers: 超多的 ML 预训练模型，可用于各个领域
  • Learn how to responsibly deliver value with ML.: 如何将 ML 应用到具体的场景中，产生出价值。
  • Probabilistic-Programming-and-Bayesian-Methods-for-Hackers: 深度讲解 ML 中的贝叶斯统计方法
  • ML-From-Scratch: ML 算法的各种 Python 实现，旨在学习其底层原理
  • applied-ml: ML 生产环境相关的各种文章、论文、博客

AI 是如此火爆，网络上有如此多的资料（最经典的吴恩达的 Cousera 课程、Github 上的各种入门教程）、学院派的书籍、等等），以至于想学 AI 却不知从何下手。

先确定下我学习 AI 的目的：「为了兴趣，能够使用 AI 来做一些有意思的事情」。

从这个角度出发，能最快出成果的学习资料应该是：

• 动手学深度学习（Dive into Deep Learning，D2L）

所以我应该通过这本书入门。

在入门后，如果希望更系统地学习 AI 的原理，可以再考虑其他学习资料。

运行环境

Jupyter provide a set of docker image: jupyter-docker-stacks

datascience-notebook and tensorflow-notebook may be useful in this project.

其他

Python 分布式运行框架：

• https://github.com/ray-project/ray: 将可拆分的分布式分派到远程主机上执行，用法跟分布式压测工具 locust 很类似，非常简单。
• https://github.com/apache/superset: 最流行的数据分析面板

硬件

再有就是炼丹设备，去年开始 AI 大火，我也是挺感兴趣的。

显卡的选择策略参考 深度学习中GPU卡的选择 一文。

参考

• Distinction between AI, ML, Neural Networks, Deep learning and Data mining