社区推荐
- AIQ
是一个专注于人工智能和机器学习的交流平台，旨在推动行业内的知识分享与技术交流。
- 专知
是一个聚焦于前沿科技和多领域知识的平台，提供丰富的文章和讨论，使用户能够深入理解机器学习及其应用。
- DataTau
DataTau 是一个数据科学和机器学习爱好者的社区，用户可以在这里分享项目、文章和资源，促进技术的学习与交流。
博客推荐
- 主流深度学习框架对比：看你最适合哪一款？
- PyTorch之对类别张量进行one-hot编码
- PyTorch之BN核心参数详解
- OpenAI 的 PixelCNN++实现：基于 Python3 和 TensorFlow
- 深度学习如何入门？
- 卷积神经网络架构详解：它与神经网络有何不同？
- 一个框架看懂优化算法之异同 SGD/AdaGrad/Adam
- 深度学习教程：从感知器到深层网络
- Python入门深度学习完整指南
- 分布式深度学习：神经网络的分布式训练
- GitHub 上 57 款最流行的开源深度学习项目
- Pytorch中多GPU训练指北
- 深度学习三大框架对比
- 利用Python进行深度学习的完整入门指南
- 23种深度学习库排行榜：TensorFlow最活跃、Keras最流行
- 深度学习最常用的算法:Adam优化算法
- 深度学习局限何在？图网络的出现并非偶然
- TensorFlow 深度学习笔记
- 从此明白了卷积神经网络（CNN）
- 多层感知机MLP
- Alink漫谈(十四) ：多层感知机 之 总体架构
- TensorFlow实现多层感知机及可视化训练过程中的数据记录
- Julia：用多层感知机解决异或问题
- 自回归模型详解与PixelCNN构建
- 卷积神经网络(CNN)介绍与实践
- 大话卷积神经网络CNN（干货满满）
- 用“活着的”CNN进行验证码识别
- 【RNN从入门到实战】GRU入门到实战——使用GRU预测股票
- [机器学习读书笔记] - RNNs vs GRUs vs LSTM (附 Trax 基于GRUs的文本生成)
- GRU神经网络
- 首次大规模神经机器翻译架构分析结果出炉，LSTM 优于GRU
- RNN原理解析与实现(Keras)
- 深度学习之LSTM及GRU
- 理解LSTM网络
- 深度学习之循环神经网络RNN(基础篇)
- 透彻的理解：循环神经网络
课程推荐
- 深度学习入门与实战
这门课程主要面向初学者，旨在帮助学生理解深度学习的基本概念和原理。课程通常会覆盖深度学习的基础知识，包括神经元、神经网络结构、激活函数、损失函数等核心概念。此外，课程还会通过实际案例和项目，如图像分类、文本处理等，帮助学生掌握使用深度学习框架（如TensorFlow或PyTorch）进行实际项目开发的技能。
- 人工智能全体系课程
这门课程提供一个全面的架构，涵盖人工智能的多个领域，包括机器学习、深度学习、自然语言处理、计算机视觉、强化学习和数据处理等。学生将在课程中学习到这些领域的关键技术和方法，并了解它们在实际应用中的结合点。课程还可能包括项目驱动学习，让学生参与多个AI相关的实际项目，培养解决复杂问题的能力。
- 深度学习推荐系统实战
该课程专注于深度学习在推荐系统上的应用，旨在帮助学生掌握推荐系统的设计和实现技巧。课程内容通常包括推荐系统的基本原理、协同过滤、内容推荐、深度学习在推荐系统中的应用（如使用神经网络进行用户画像和物品特征建模）等。学生将通过实际案例学习如何构建和优化推荐算法，从而提高用户体验和系统性能。
书籍推荐
1、深度学习原理与实践(豆瓣评分：9.7)
本书详细介绍了目前深度学习相关的常用网络模型（ANN、CNN、RNN），以及不同网络模型的算法原理和核心思想。本书利用大量的实例代码对网络模型进行了分析，这些案例能够加深读者对网络模型的认识。
2、动手学深度学习(豆瓣评分：9.4)
该书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。
3、Python深度学习(豆瓣评分：9.5)
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦·肖莱（François Chollet）执笔，详尽介绍了使用 Python 和 Keras 进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。
