1、基础篇——基于Python的机器学习>>>>>>戳我，立即学习
现在大热、为未来计算机科学发展方向的机器学习了解多少呢？
下面推荐的这个内容比较适合小白，如果数学、模型理论基础不扎实也没关系，可以掌握Python编程语言基本可以轻松学习~
例如利用Python编程语言实现线性分类器、支持向量机、朴素贝叶斯等经典机器学习模型来解决诸如肿瘤良恶性预测、手写体识别、泰坦尼克号生还预测等实际问题。并就模型本身泛化力问题（过拟合、欠拟合）进行讨论与实验，可以更快的解决实际问题，主要是以下5点：
① 机器学习简介及开发环境
② 监督学习-分类学习-线性分类器
③ 监督学习-分类学习-线性分类器-支持向量机
④ 监督学习-朴素贝叶斯
⑤ 监督学习-决策树模型
⑥ 无监督学习-K近邻算法
⑦ 机器学习进阶-特征降维
⑧ 机器学习进阶-特征筛选
⑨ 机器学习进阶-泛化力-过拟合与欠拟合
>>>>>>戳我，立即学习
2、零基础深度学习>>>>>>戳我，立即学习
如果你是小白、零基础但对人工智能技术与人工智能程序开发感兴趣，想从事人工智能相关工作或需要在本职工作中加入人工智能技术的在职人员或在校学生，那请往下看：
以Python为主要开发语言，深入浅出您快速上手最先进的深度学习技术。
会有如下收获：
能够使用程序开发技能完成诸如计算机视觉、自然语言处理等人工智能任务，例如图像识别、智能翻译等，亦能够使用本课程中提供的工具在自己所处行业中，进行具体人工智能技术的设计与实施，使用深度学习技术进行行业数据分析。
会提供基础的数学部分与Python程序设计部分的讲解，每一章都包含丰富的实例与项目，让您完全理解掌握人工智能与深度学习的相关知识与技能。
知识点：
Chapter 1. 基础知识
包含线性代数、概率与数理统计、微积分等深度学习基础数学知识，也涵盖了本课程中能够使用的Python程序设计知识，通过实战编写一个数学游戏实例，为之后的学习打下良好的基础。
Chapter 2. 神经网络
包含从MCP模型到多层感知器的历史发展，详细讲解神经网络的前馈与反馈计算的数学推导与实际项目，实例中包含使用Tensorflow等深度学习系统编写神经网络的方法，并完成数据分析实战。
Chapter 3. 卷积网络
从最基本的卷积算法开始，逐步深入到深层卷积网络，详细讲解卷积网络的特征提取方法，并讲解如何在非图像数据上实施卷积网络进行数据分析，让您能在任何行业寻找合适数据并应用卷积网络。
Chapter 4. 序列网络
本章将包含处理自然语言等时序数据常用的RNN模型与LSTM技术， 以及序列建模、词向量映射等各种自然语言处理技术，丰富的实例将会包含翻译、对话、文本生成等，并让您实践如何使用时序建模技术进行数据预测。
原文地址：https://www.cnblogs.com/anquanniu/p/9686862.html