学习资源列表
📚 教材资源
统计学习方法
动手学深度学习
强化学习的数学原理
🔧 工具与环境
深度学习框架
参考文档
- PyTorch官方文档: 完整API参考和教程
- NumPy文档: 数值计算基础
- SciPy文档: 科学计算工具
代码编辑器
- VS Code: 推荐使用，插件丰富
- Jupyter Notebook: 交互式学习
- PyCharm: PyTorch/TensorFlow项目开发
📖 学习辅助资源
在线课程
深度学习基础
- Coursera - Machine Learning (Andrew Ng): 经典入门
- CS224n - NLP Deep Learning: Stanford课程
- DeepLearning.AI课程: Andrew Ng团队制作
统计学习
- 李航老师课程: 官方配套课程
- 清华大学课程: 机器学习
强化学习
- RL Course: 系统化强化学习课程
- UC Berkeley深度学习课程: 包含强化学习章节
图纸/博客
- 知乎: 多个机器学习博主
- CSDN: 技术文章和教程
- Medium: 深度学习实践文章
- arXiv: 论文预印本
🛠️ 开发工具
版本控制
- Git: 版本管理
- GitHub: 代码托管
- git clone: 教材代码导入
虚拟环境
# 创建虚拟环境
virtualenv venv
# 激活环境
source venv/bin/activate
性能监控
- TensorBoard: 训练过程可视化
- Weights & Biases: 超参数调优平台
数据可视化
- Matplotlib: 基本绘图
- Seaborn: 统计图表
- Plotly: 交互式图表
🎯 项目实战资源
图像领域
- ImageNet: 大规模图像数据库
- COCO Dataset: 目标检测数据集
- MNIST/CIFAR: 经典手写数字/物体识别数据集
文本领域
- IMDB Dataset: 情感分析数据集
- GLUE Benchmark: 自然语言理解基准
- Wikipedia: 文本预训练数据
强化学习环境
- OpenAI Gym: 强化学习接口
- Atari Gym: 游戏环境
- Gymnasium: OpenAI Gym的继承者
📖 推荐阅读顺序
第一遍学习（理解概念）
- 统计学习方法第1-3章 → 建立基础
- 动手学深度学习第1-3章 → 环境和基础
- 强化学习第1-3章 → 基础理论
第二遍学习（实践应用）
- 统计学习方法相关章节 → 深度理解
- 动手学深度学习CNN章节 → 图像应用
- 强化学习策略梯度 → 实践算法
第三遍学习（深入探索）
- 深度学习高级主题
- 强化学习高级算法
- 综合项目实践
📞 获取帮助
社区论坛
书籍
- 《深度学习》: Ian Goodfellow
- 《动手学深度学习》: 自己的书
- 《强化学习》: Sutton & Barto
AI助手
- ChatGPT/Claude: 代码解释、概念答疑
- Claude: 复杂问题深入分析
- GitHub Copilot: 代码补全
🎓 学习技巧
主动学习法
- 主动阅读，不做被动接收
- 理解每段代码的作用
- 尝试修改代码，观察变化
带着问题学习
- 这个算法解决什么问题？
- 输入输出的维度是什么？
- 为什么需要这个步骤？
- 如何从数学推导到实现？
循环复述
- 学习新知识24小时内复述一遍
- 每周回顾之前的内容
- 用不同方式表达同一个概念
实践为主
- 理论是70%，实践是30%
- 多写代码，多debug
- 完成小项目
⚡ 快速查找
统计学习关键词
损失函数, 正则化, 模型选择, VC维, 感知机, kNN, 贝叶斯,
决策树, 逻辑回归, 支持向量机, 提升方法, EM算法, HMM, CRF
深度学习关键词
反向传播, 自动求导, 批归一化, 卷积层, 池化层, 长短期记忆网络(LSTM),
注意力机制, Transformer, 残差网络, 目标检测, 图像分割
强化学习关键词
MDP, 状态值函数, 策略, 贝尔曼方程, 值迭代, 策略迭代,
蒙特卡洛方法, 时序差分, REINFORCE, Actor-Critic, PPO
