在本篇文章中，我將對機器學習做個概要的介紹。本文的目的是能讓即便完全不瞭解機器學習的人也能瞭解機器學習

1.機器學習的定義　　從廣義上來說，機器學習是一種能夠賦予機器學習的能力以此讓它完成直接編程無法完成的功能的方法。但從實踐的意義上來說，機器學習是一種通過利用數據，訓練出模型，然後使用模型預測的一種方法。

首先，我們需要在計算機中存儲歷史的數據。接著，我們將這些 數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”，處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。對新數據 的預測過程在機器學習中叫做“預測”。“訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。

　　讓我們把機器學習的過程與人類對歷史經驗歸納的過程做個比對。

機器學習與人類思考的類比

　　人類在成長、生活過程中積累瞭很多的歷史與經驗。人類定期地對這些經驗進行“歸納”，獲得瞭生活的“規律”。當人類遇到未知的問題或者需要對未來進行“推測”的時候，人類使用這些“規律”，對未知問題與未來進行“推測”，從而指導自己的生活和工作。

　　機器學習中的“訓練”與“預測”過程可以對應到人類的“歸納”和“推測”過程。通過這樣的對應，我們可以發現，機器學習的思想並不復雜，僅僅是對人類在生活中學習成長的一個模擬。由於機器學習不是基於編程形成的結果，因此它的處理過程不是因果的邏輯，而是通過歸納思想得出的相關性結論。

　　這也可以聯想到人類為什麼要學習歷史，歷史實際上是人類過往經驗的總結。有句話說得很好，“歷史往往不一樣，但歷史總是驚人的相似”。通過學習歷史，我們從歷史中歸納出人生與國傢的規律，從而指導我們的下一步工作，這是具有莫大價值的。當代一些人忽視瞭歷史的本來價值，而是把其作為一種宣揚功績的手段，這其實是對歷史真實價值的一種誤用。

機器學習的范圍

　　上文雖然說明瞭機器學習是什麼，但是並沒有給出機器學習的范圍。

　　其實，機器學習跟模式識別，統計學習，數據挖掘，計算機視覺，語音識別，自然語言處理等領域有著很深的聯系。

　　從范圍上來說，機器學習跟模式識別，統計學習，數據挖掘是類似的，同時，機器學習與其他領域的處理技術的結合，形成瞭計算機視覺、語音識別、自然語言處理等交叉學科。因此，一般說數據挖掘時，可以等同於說機器學習。同時，我們平常所說的機器學習應用，應該是通用的，不僅僅局限在結構化數據，還有圖像，音頻等應用。　　在這節對機器學習這些相關領域的介紹有助於我們理清機器學習的應用場景與研究范圍，更好的理解後面的算法與應用層次。

　　下圖是機器學習所牽扯的一些相關范圍的學科與研究領域。

機器學習與相關學科

模式識別　　模式識別=機器學習。兩者的主要區別在於前者是從工業界發展起來的概念，後者則主要源自計算機學科。在著名的《Pattern Recognition And Machine Learning》這本書中，Christopher M. Bishop在開頭是這樣說的“模式識別源自工業界，而機器學習來自於計算機學科。不過，它們中的活動可以被視為同一個領域的兩個方面，同時在過去的10年間，它們都有瞭長足的發展”。

數據挖掘　　數據挖掘=機器學習+數據庫。這幾年數據挖掘的概念實在是太耳熟能詳。幾乎等同於炒作。但凡說數據挖掘都會吹噓數據挖掘如何如何，例如從數據中挖出金子，以及將廢棄的數據轉化為價值等等。但是，我盡管可能會挖出金子，但我也可能挖的是“石頭”啊。這個說法的意思是，數據挖掘僅僅是一種思考方式，告訴我們應該嘗試從數據中挖掘出知識，但不是每個數據都能挖掘出金子的，所以不要神話它。一個系統絕對不會因為上瞭一個數據挖掘模塊就變得無所不能(這是IBM最喜歡吹噓的)，恰恰相反，一個擁有數據挖掘思維的人員才是關鍵，而且他還必須對數據有深刻的認識，這樣才可能從數據中導出模式指引業務的改善。大部分數據挖掘中的算法是機器學習的算法在數據庫中的優化。統計學習　　統計學習近似等於機器學習。統計學習是個與機器學習高度重疊的學科。因為機器學習中的大多數方法來自統計學，甚至可以認為，統計學的發展促進機器學習的繁榮昌盛。例如著名的支持向量機算法，就是源自統計學科。但是在某種程度上兩者是有分別的，這個分別在於：統計學習者重點關註的是統計模型的發展與優化，偏數學，而機器學習者更關註的是能夠解決問題，偏實踐，因此機器學習研究者會重點研究學習算法在計算機上執行的效率與準確性的提升。 計算機視覺　　計算機視覺=圖像處理+機器學習。圖像處理技術用於將圖像處理為適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關的模式。計算機視覺相關的應用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應用。這個領域是應用前景非常火熱的，同時也是研究的熱門方向。隨著機器學習的新領域深度學習的發展，大大促進瞭計算機圖像識別的效果，因此未來計算機視覺界的發展前景不可估量。 語音識別　　語音識別=語音處理+機器學習。語音識別就是音頻處理技術與機器學習的結合。語音識別技術一般不會單獨使用，一般會結合自然語言處理的相關技術。目前的相關應用有蘋果的語音助手siri等。自然語言處理　　自然語言處理=文本處理+機器學習。自然語言處理技術主要是讓機器理解人類的語言的一門領域。在自然語言處理技術中，大量使用瞭編譯原理相關的技術，例如詞法分析，語法分析等等，除此之外，在理解這個層面，則使用瞭語義理解，機器學習等技術。作為唯一由人類自身創造的符號，自然語言處理一直是機器學習界不斷研究的方向。按照百度機器學習專傢餘凱的說法“聽與看，說白瞭就是阿貓和阿狗都會的，而隻有語言才是人類獨有的”。如何利用機器學習技術進行自然語言的的深度理解，一直是工業和學術界關註的焦點。　　可以看出機器學習在眾多領域的外延和應用。機器學習技術的發展促使瞭很多智能領域的進步，改善著我們的生活。

2.機器學習的方法

　　通過上節的介紹我們知曉瞭機器學習的大致范圍，那麼機器學習裡面究竟有多少經典的算法呢？在這個部分我會簡要介紹一下機器學習中的經典代表方法。這部分介紹的重點是這些方法內涵的思想，數學與實踐細節不會在這討論。1、回歸算法

　　在大部分機器學習課程中，回歸算法都是介紹的第一個算法。原因有兩個：一.回歸算法比較簡單，介紹它可以讓人平滑地從統計學遷移到機器學習中。二.回歸算法是後面若幹強大算法的基石，如果不理解回歸算法，無法學習那些強大的算法。回歸算法有兩個重要的子類：即線性回歸和邏輯回歸。

　　線性回歸就是我們前面說過的房價求解問題。如何擬合出一條直線最佳匹配我所有的數據？一般使用“最小二乘法”來求解。“最小二乘法”的思想是這樣的，假設我們擬合出的直線代表數據的真實值，而觀測到的數據代表擁有誤差的值。為瞭盡可能減小誤差的影響，需要求解一條直線使所有誤差的平方和最小。最小二乘法將最優問題轉化為求函數極值問題。函數極值在數學上我們一般會采用求導數為0的方法。但這種做法並不適合計算機，可能求解不出來，也可能計算量太大。

　　計算機科學界專門有一個學科叫“數值計算”，專門用來提升計算機進行各類計算時的準確性和效率問題。例如，著名的“梯度下降”以及“牛頓法”就是數值計算中的經典算法，也非常適合來處理求解函數極值的問題。梯度下降法是解決回歸模型中最簡單且有效的方法之一。從嚴格意義上來說，由於後文中的神經網絡和推薦算法中都有線性回歸的因子，因此梯度下降法在後面的算法實現中也有應用。　　邏輯回歸是一種與線性回歸非常類似的算法，但是，從本質上講，線型回歸處理的問題類型與邏輯回歸不一致。線性回歸處理的是數值問題，也就是最後預測出的結果是數字，例如房價。而邏輯回歸屬於分類算法，也就是說，邏輯回歸預測結果是離散的分類，例如判斷這封郵件是否是垃圾郵件，以及用戶是否會點擊此廣告等等。

　　實現方面的話，邏輯回歸隻是對對線性回歸的計算結果加上瞭一個Sigmoid函數，將數值結果轉化為瞭0到1之間的概率(Sigmoid函數的圖像一般來說並不直觀，你隻需要理解對數值越大，函數越逼近1，數值越小，函數越逼近0)，接著我們根據這個概率可以做預測，例如概率大於0.5，則這封郵件就是垃圾郵件，或者腫瘤是否是惡性的等等。從直觀上來說，邏輯回歸是畫出瞭一條分類線，見下圖。

　　邏輯回歸的直觀解釋

　　假設我們有一組腫瘤患者的數據，這些患者的腫瘤中有些是良性的(圖中的藍色點)，有些是惡性的(圖中的紅色點)。這裡腫瘤的紅藍色可以被稱作數據的“標簽”。同時每個數據包括兩個“特征”：患者的年齡與腫瘤的大小。我們將這兩個特征與標簽映射到這個二維空間上，形成瞭我上圖的數據。　　當我有一個綠色的點時，我該判斷這個腫瘤是惡性的還是良性的呢？根據紅藍點我們訓練出瞭一個邏輯回歸模型，也就是圖中的分類線。這時，根據綠點出現在分類線的左側，因此我們判斷它的標簽應該是紅色，也就是說屬於惡性腫瘤。　　邏輯回歸算法劃出的分類線基本都是線性的(也有劃出非線性分類線的邏輯回歸，不過那樣的模型在處理數據量較大的時候效率會很低)，這意味著當兩類之間的界線不是線性時，邏輯回歸的表達能力就不足。下面的兩個算法是機器學習界最強大且重要的算法，都可以擬合出非線性的分類線。2、神經網絡

　　神經網絡(也稱之為人工神經網絡，ANN)算法是80年代機器學習界非常流行的算法，不過在90年代中途衰落。現在，攜著“深度學習”之勢，神經網絡重裝歸來，重新成為最強大的機器學習算法之一。　　神經網絡的誕生起源於對大腦工作機理的研究。早期生物界學者們使用神經網絡來模擬大腦。機器學習的學者們使用神經網絡進行機器學習的實驗，發現在視覺與語音的識別上效果都相當好。在BP算法(加速神經網絡訓練過程的數值算法)誕生以後，神經網絡的發展進入瞭一個熱潮。BP算法的發明人之一是前面介紹的機器學習大牛Geoffrey Hinton(圖1中的中間者)。　　具體說來，神經網絡的學習機理是什麼？簡單來說，就是分解與整合。在著名的Hubel-Wiesel試驗中，學者們研究貓的視覺分析機理是這樣的。

Hubel-Wiesel試驗與大腦視覺機理

　　比方說，一個正方形，分解為四個折線進入視覺處理的下一層中。四個神經元分別處理一個折線。每個折線再繼續被分解為兩條直線，每條直線再被分解為黑白兩個面。於是，一個復雜的圖像變成瞭大量的細節進入神經元，神經元處理以後再進行整合，最後得出瞭看到的是正方形的結論。這就是大腦視覺識別的機理，也是神經網絡工作的機理。　　讓我們看一個簡單的神經網絡的邏輯架構。在這個網絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數據的分解與處理，最後的結果被整合到輸出層。每層中的一個圓代表一個處理單元，可以認為是模擬瞭一個神經元，若幹個處理單元組成瞭一個層，若幹個層再組成瞭一個網絡，也就是"神經網絡"。

神經網絡的邏輯架構

　　在神經網絡中，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預測結果作為輸出傳輸到下一個層次。通過這樣的過程，神經網絡可以完成非常復雜的非線性分類。

　　下圖會演示神經網絡在圖像識別領域的一個著名應用，這個程序叫做LeNet，是一個基於多個隱層構建的神經網絡。通過LeNet可以識別多種手寫數字，並且達到很高的識別精度與擁有較好的魯棒性。

LeNet的效果展示

　　右下方的方形中顯示的是輸入計算機的圖像，方形上方的紅色字樣“answer”後面顯示的是計算機的輸出。左邊的三條豎直的圖像列顯示的是神經網絡中三個隱藏層的輸出，可以看出，隨著層次的不斷深入，越深的層次處理的細節越低，例如層3基本處理的都已經是線的細節瞭。LeNet的發明人就是前文介紹過的機器學習的大牛Yann LeCun(圖1右者)。

　　進入90年代，神經網絡的發展進入瞭一個瓶頸期。其主要原因是盡管有BP算法的加速，神經網絡的訓練過程仍然很困難。因此90年代後期支持向量機(SVM)算法取代瞭神經網絡的地位。3、SVM（支持向量機）

　　支持向量機算法是誕生於統計學習界，同時在機器學習界大放光彩的經典算法。

　　支持向量機算法從某種意義上來說是邏輯回歸算法的強化：通過給予邏輯回歸算法更嚴格的優化條件，支持向量機算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數技術，則支持向量機算法最多算是一種更好的線性分類技術。

　　但是，通過跟高斯“核”的結合，支持向量機可以表達出非常復雜的分類界線，從而達成很好的的分類效果。“核”事實上就是一種特殊的函數，最典型的特征就是可以將低維的空間映射到高維的空間。

　　例如下圖所示：

支持向量機圖例

　　我們如何在二維平面劃分出一個圓形的分類界線？在二維平面可能會很困難，但是通過“核”可以將二維空間映射到三維空間，然後使用一個線性平面就可以達成類似效果。也就是說，二維平面劃分出的非線性分類界線可以等價於三維平面的線性分類界線。於是，我們可以通過在三維空間中進行簡單的線性劃分就可以達到在二維平面中的非線性劃分效果。

三維空間的切割

　　支持向量機是一種數學成分很濃的機器學習算法（相對的，神經網絡則有生物科學成分）。在算法的核心步驟中，有一步證明，即將數據從低維映射到高維不會帶來最後計算復雜性的提升。於是，通過支持向量機算法，既可以保持計算效率，又可以獲得非常好的分類效果。因此支持向量機在90年代後期一直占據著機器學習中最核心的地位，基本取代瞭神經網絡算法。直到現在神經網絡借著深度學習重新興起，兩者之間才又發生瞭微妙的平衡轉變。4、聚類算法

　　前面的算法中的一個顯著特征就是我的訓練數據中包含瞭標簽，訓練出的模型可以對其他未知數據預測標簽。在下面的算法中，訓練數據都是不含標簽的，而算法的目的則是通過訓練，推測出這些數據的標簽。這類算法有一個統稱，即無監督算法(前面有標簽的數據的算法則是有監督算法)。無監督算法中最典型的代表就是聚類算法。　　讓我們還是拿一個二維的數據來說，某一個數據包含兩個特征。我希望通過聚類算法，給他們中不同的種類打上標簽，我該怎麼做呢？簡單來說，聚類算法就是計算種群中的距離，根據距離的遠近將數據劃分為多個族群。　　聚類算法中最典型的代表就是K-Means算法。

5、降維算法

　　降維算法也是一種無監督學習算法，其主要特征是將數據從高維降低到低維層次。在這裡，維度其實表示的是數據的特征量的大小，例如，房價包含房子的長、寬、面積與房間數量四個特征，也就是維度為4維的數據。可以看出來，長與寬事實上與面積表示的信息重疊瞭，例如面積=長 × 寬。通過降維算法我們就可以去除冗餘信息，將特征減少為面積與房間數量兩個特征，即從4維的數據壓縮到2維。於是我們將數據從高維降低到低維，不僅利於表示，同時在計算上也能帶來加速。　　剛才說的降維過程中減少的維度屬於肉眼可視的層次，同時壓縮也不會帶來信息的損失(因為信息冗餘瞭)。如果肉眼不可視，或者沒有冗餘的特征，降維算法也能工作，不過這樣會帶來一些信息的損失。但是，降維算法可以從數學上證明，從高維壓縮到的低維中最大程度地保留瞭數據的信息。因此，使用降維算法仍然有很多的好處。　　降維算法的主要作用是壓縮數據與提升機器學習其他算法的效率。通過降維算法，可以將具有幾千個特征的數據壓縮至若幹個特征。另外，降維算法的另一個好處是數據的可視化，例如將5維的數據壓縮至2維，然後可以用二維平面來可視。降維算法的主要代表是PCA算法(即主成分分析算法)。6、推薦算法

　　推薦算法是目前業界非常火的一種算法，在電商界，如亞馬遜，天貓，京東等得到瞭廣泛的運用。推薦算法的主要特征就是可以自動向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。推薦算法有兩個主要的類別：

　　一類是基於物品內容的推薦，是將與用戶購買的內容近似的物品推薦給用戶，這樣的前提是每個物品都得有若幹個標簽，因此才可以找出與用戶購買物品類似的物品，這樣推薦的好處是關聯程度較大，但是由於每個物品都需要貼標簽，因此工作量較大。

　　另一類是基於用戶相似度的推薦，則是將與目標用戶興趣相同的其他用戶購買的東西推薦給目標用戶，例如小A歷史上買瞭物品B和C，經過算法分析，發現另一個與小A近似的用戶小D購買瞭物品E，於是將物品E推薦給小A。

　　兩類推薦都有各自的優缺點，在一般的電商應用中，一般是兩類混合使用。推薦算法中最有名的算法就是協同過濾算法。7、其他

　　除瞭以上算法之外，機器學習界還有其他的如高斯判別，樸素貝葉斯，決策樹等等算法。但是上面列的六個算法是使用最多，影響最廣，種類最全的典型。機器學習界的一個特色就是算法眾多，發展百花齊放。　　下面做一個總結，按照訓練的數據有無標簽，可以將上面算法分為監督學習算法和無監督學習算法，但推薦算法較為特殊，既不屬於監督學習，也不屬於非監督學習，是單獨的一類。

監督學習算法：　　線性回歸，邏輯回歸，神經網絡，SVM無監督學習算法：　　聚類算法，降維算法特殊算法：推薦算法

　　除瞭這些算法以外，有一些算法的名字在機器學習領域中也經常出現。但他們本身並不算是一個機器學習算法，而是為瞭解決某個子問題而誕生的。你可以理解他們為以上算法的子算法，用於大幅度提高訓練過程。其中的代表有：梯度下降法，主要運用在線型回歸，邏輯回歸，神經網絡，推薦算法中；牛頓法，主要運用在線型回歸中；BP算法，主要運用在神經網絡中；SMO算法，主要運用在SVM中。

3.機器學習的子類–深度學習　　近來，機器學習的發展產生瞭一個新的方向，即“深度學習”。　　雖然深度學習這四字聽起來頗為高大上，但其理念卻非常簡單，就是傳統的神經網絡發展到瞭多隱藏層的情況。　　在上文介紹過，自從90年代以後，神經網絡已經消寂瞭一段時間。但是BP算法的發明人Geoffrey Hinton一直沒有放棄對神經網絡的研究。由於神經網絡在隱藏層擴大到兩個以上，其訓練速度就會非常慢，因此實用性一直低於支持向量機。2006年，Geoffrey Hinton在科學雜志《Science》上發表瞭一篇文章，論證瞭兩個觀點：

　　1.多隱層的神經網絡具有優異的特征學習能力，學習得到的特征對數據有更本質的刻畫，從而有利於可視化或分類；

　　2.深度神經網絡在訓練上的難度，可以通過“逐層初始化” 來有效克服。

Geoffrey Hinton與他的學生在Science上發表文章

　　通過這樣的發現，不僅解決瞭神經網絡在計算上的難度，同時也說明瞭深層神經網絡在學習上的優異性。從此，神經網絡重新成為瞭機器學習界中的主流強大學習技術。同時，具有多個隱藏層的神經網絡被稱為深度神經網絡，基於深度神經網絡的學習研究稱之為深度學習。

深度學習屬於機器學習的子類。基於深度學習的發展極大的促進瞭機器學習的地位提高，更進一步地，推動瞭業界對機器學習父類人工智能夢想的再次重視。

4.機器學習的父類–人工智能

　　人工智能是機器學習的父類。深度學習則是機器學習的子類。如果把三者的關系用圖來表明的話，則是下圖：

深度學習、機器學習、人工智能三者關系

　　毫無疑問，人工智能(AI)是人類所能想象的科技界最突破性的發明瞭，某種意義上來說，人工智能就像遊戲最終幻想的名字一樣，是人類對於科技界的最終夢想。從50年代提出人工智能的理念以後，科技界，產業界不斷在探索，研究。這段時間各種小說、電影都在以各種方式展現對於人工智能的想象。人類可以發明類似於人類的機器，這是多麼偉大的一種理念！但事實上，自從50年代以後，人工智能的發展就磕磕碰碰，未有見到足夠震撼的科學技術的進步。　　總結起來，人工智能的發展經歷瞭如下若幹階段，從早期的邏輯推理，到中期的專傢系統，這些科研進步確實使我們離機器的智能有點接近瞭，但還有一大段距離。直到機器學習誕生以後，人工智能界感覺終於找對瞭方向。基於機器學習的圖像識別和語音識別在某些垂直領域達到瞭跟人相媲美的程度。機器學習使人類第一次如此接近人工智能的夢想。

　　事實上，如果我們把人工智能相關的技術以及其他業界的技術做一個類比，就可以發現機器學習在人工智能中的重要地位不是沒有理由的。

　　人類區別於其他物體，植物，動物的最主要區別，作者認為是“智慧”。而智慧的最佳體現是什麼？

　　是計算能力麼，應該不是，心算速度快的人我們一般稱之為天才。　　是反應能力麼，也不是，反應快的人我們稱之為靈敏。　　是記憶能力麼，也不是，記憶好的人我們一般稱之為過目不忘。　　是推理能力麼，這樣的人我也許會稱他智力很高，類似“福爾摩斯”，但不會稱他擁有智慧。　　是知識能力麼，這樣的人我們稱之為博聞廣，也不會稱他擁有智慧。

　　想想看我們一般形容誰有大智慧？聖人，諸如莊子，老子等。智慧是對生活的感悟，是對人生的積淀與思考，這與我們機器學習的思想何其相似？通過經驗獲取規律，指導人生與未來。沒有經驗就沒有智慧。

機器學習與智慧

　　那麼，從計算機來看，以上的種種能力都有種種技術去應對。

　　例如計算能力我們有分佈式計算，反應能力我們有事件驅動架構，檢索能力我們有搜索引擎，知識存儲能力我們有數據倉庫，邏輯推理能力我們有專傢系統，但是，唯有對應智慧中最顯著特征的歸納與感悟能力，隻有機器學習與之對應。這也是機器學習能力最能表征智慧的根本原因。　　讓我們再看一下機器人的制造，在我們具有瞭強大的計算，海量的存儲，快速的檢索，迅速的反應，優秀的邏輯推理後我們如果再配合上一個強大的智慧大腦，一個真正意義上的人工智能也許就會誕生，這也是為什麼說在機器學習快速發展的現在，人工智能可能不再是夢想的原因。　　人工智能的發展可能不僅取決於機器學習，更取決於前面所介紹的深度學習，深度學習技術由於深度模擬瞭人類大腦的構成，在視覺識別與語音識別上顯著性的突破瞭原有機器學習技術的界限，因此極有可能是真正實現人工智能夢想的關鍵技術。無論是谷歌大腦還是百度大腦，都是通過海量層次的深度學習網絡所構成的。也許借助於深度學習技術，在不遠的將來，一個具有人類智能的計算機真的有可能實現。

最後

給大傢整理瞭一份200G的AI資料包，內含：

1.基礎知識：Python基礎+高數基礎

2.機器學習理論入門：機器學習經典算法詳解

3.機器學習實戰項目：Kaggle競賽案例/推薦系統實戰/數據分析建模等

4.深度學習理論入門：必備框架（Pytorch+TensorFlow）+神經網絡模型基礎

5.計算機視覺實戰項目：OpenCV圖像處理+物體檢測YOLO實戰+Unet圖像分割實戰等

6.自然語言處理應用項目實戰：基礎知識+BERT框架實戰

7.人工智能行業報告+AI必讀經典書籍：花園書、西瓜書等

8.人工智能論文合集：上百篇人工智能優質論文

9.國內外優質學習資源整合：李沐、吳恩達、李飛飛等大佬的優質課程

10.人工智能論文：100篇+人工智能論文合集

需要的朋友關註公眾號【咕泡AI】，然後在公眾號內回復【999】即可免費領取瞭。