程式設計師技術進階手冊（一）

AI正在迅速改變世界，對於程式設計師來說，這絕對是一個千載難逢的轉型機會。機器學習是電腦科學的一個子領域，在人工智慧領域，機器學習逐漸發展成模式識別和計算科學理論的研究。從2016年起，機器學習到達了不合理的火熱巔峰。但是，有效的機器學習是困難的，因為機器學習本身就是一個交叉學科，沒有科學的方法及一定的積累很難入門。

開頭先奉上雲棲社群翻譯小組的年中總結！

請收下這份關於人工智慧的根目錄——部落格整理系列（一）

關於資料科學的那些事——部落格整理系列（二）

機器學習必備手冊——部落格整理系列（三）

擴充套件眼界的都在這——部落格整理系列（四）

深度學習必備手冊（上）——部落格整理系列（五）

深度學習必備手冊（下）——部落格整理系列（六）

一．機器學習篇：

1. 機器學習演算法選用指南

摘要：本文對機器學習的一些基本概念給出了簡要的介紹，並對不同任務中使用不同型別的機器學習演算法給出一點建議。

2. 支援向量機分類實戰

摘要：對於機器學習者來說，SVM是非常重要的監督式學習模型之一，本文通過幾個小例子，通俗的介紹了SVM的基本思想和關鍵資訊，值得嘗試。（文中原始碼）

3. 秒懂！看機器學習如何淨化處理文字

摘要：通過本教程，你可以學到如何開發簡單的文字淨化工具，如何使用NLTK庫中更復雜的方法，以及在使用現代文字表示方法時如何處理文字。

4. Raúl Garreta大神教你5步搭建機器學習文字分類器：MonkeyLearn

摘要：Raúl Garreta，《Learning
scikit-learn: Machine Learning in Python》一書作者，手把手教你5步搭建機器學習文字分類器：1.定義類別樹;2.資料收集;3.資料標記;4.訓練分類器;5.測試&提升分類器。

5. 機器學習時代的到來，企業該如何駕馭

摘要：隨著機器學習受到的關注和應用越來越多，作為一個想成為機器學習的公司，該如何做呢？本文從不同的方面詳細介紹了一個機器學習公司應當做哪些準備。

6. 機器學習初學者必須知道的十大演算法

摘要：還在為不知道學什麼演算法入門機器學習感到頭疼？本文作者通過自身的學習向初學者介紹十大機器學習（ML）演算法，並附有數字和例項以便於理解。

7. 機器學習小白如何成長為業內專家？

摘要：作者用了十八個月的時間從一個機器學習小白成長為業內專家，總結了一套屬於自己的機器學習入門方法。

8. 7步掌握Python機器學習

摘要：如今，網路上的Python機器學習資源紛繁複雜，使得剛入門的小白們眼花繚亂。究竟從哪裡開始？如何進行？讀完這篇文章，相信你就會有自己的答案。

9. 機器學習必知的15大框架

摘要：不管你是一個研究人員，還是開發者，亦或是管理者，想要使用機器學習，需要使用正確的工具來實現。本文介紹了當前最流行15個機器學習框架。

10. 機器學習案例 — 聞聲識鳥

摘要：TensorFlow是一個開源的機器學習庫—對任何人都是開放的。公司、非營利性組織、研究人員和開發人員已經在一些領域使用了TensorFlow。

11. 機器學習基礎：分類vs迴歸

摘要：在機器學習中我們也許會對分類和迴歸兩個演算法有所混淆或者困惑，看完本文相信會有所收穫。

12. 業內最流行機器學習線上課程彙總

摘要：機器學習界最流行的線上課程，技術進階必備！

13. 2017年十大最受歡迎機器學習Python庫

摘要：Python已經成為機器學習時代的最受歡迎的語言，業內大牛正在使用什麼Python庫呢？今天我們就來盤點一下2017年十大最受歡迎的機器學習Python庫。

14.探祕機器是如何“長大成人”（含視訊）

摘要：機器是如何“長大成人”的呢？讓我們一起來探索……

15. 為什麼機器學習難於應用

摘要：本文主要講述瞭如何管理機器學習應用方面的棘手問題。

16. Web開發工程師轉型機器學習的實戰經驗

摘要：歷經兩個月對深度學習和計算機視覺領域進行探索，獲得一些經驗與總結。

17. 機器學習2017年重大進展彙總

摘要：2017年註定是機器學習快速發展的一年，特別是機器學習商業化的成功是的更多的人積極的投入到機器學習的學習當中。機器學習一定會成為未來的技術，讓我們看看這項未來的技術現在發展到何種程度。

18. 機器學習必知的八大神經網路架構

摘要：機器學習八大神經網路架構的分類和歷史發展。

19. 2017年機器學習開源專案TOP30

摘要：本文比較了2017年釋出的8800多個開源的機器學習專案，通過考量受歡迎程度、參與度和新近度來等指標來評估這些參選專案，並選出前30名。

20. 機器學習與Docker容器

摘要：機器學習和Docker容器是如何相互配合出色完成任務的？我們將使用Tenserflow和Kontena來詳細闡述。

21. 機器學習新手必學十大演算法指南

摘要：本文為機器學習新手介紹了十種必備演算法：線性迴歸、邏輯迴歸、線性判別分析、分類和迴歸樹、樸素貝葉斯、K-近鄰演算法、學習向量量化、支援向量機、Bagging和隨機森林、Boosting和AdaBoost。

22. 機器學習？人工智慧？傻傻分不清楚？

摘要：機器學習就是人工智慧？別在這樣認為了，太傻了！看完本文，搞清楚它們之間的關係吧。

23. 資料科學、機器學習和AI的區別

摘要：本文詳細講解了資料科學、機器學習和AI的相同點與區別，並用例項進行說明。

24. 從超級瑪麗說起，談談如何為機器賦予好奇心

摘要：如何讓機器付有好奇心？加州大學伯克利分校研究團隊給出了答案。

25. 盤點·GitHub最著名的20個Python機器學習專案

摘要：開源是技術創新和快速發展的核心。這篇文章向你展示Python機器學習開源專案以及在分析過程中發現的非常有趣的見解和趨勢。

26. 脈衝神經網路——下一代機器學習？

摘要：脈衝神經網路是什麼？本位對脈衝神經網路做了簡要敘述。

27.
遷移學習——機器學習的下一個前沿陣地

摘要：深度學習作為機器學習的重要領域，在過去的幾年時間裡面發揮了巨大的作用。但是隨著機器學習在不同領域的深入應用，遷移學習正在成為不可忽視的力量。

28. 從頭瞭解Gradient Boosting演算法

摘要：Gradient Boosting演算法是機器學習中較為重要的演算法，通過本文你能有清晰地瞭解和掌握

29. 遷移學習簡述

摘要：什麼是遷移學習，遷移學習的例子有哪些，在預測建模中如何使用遷移學習？本文將帶你一步步深入探討。

學習完機器學習，為什麼不順帶了解一下AI，看看機器學習到底在創造一個什麼樣的“怪獸”！

二．人工智慧擴充套件篇：

1. 是什麼讓 AI 時代真正到來

摘要：AI 已經在眾多領域帶來了革新，取代了眾多人類的工作，改變未來學生必須具備的技能——這都是怎麼發生的？

2. 不知道這些AI知識，可能你就out了！

摘要：為什麼人工智慧，機器學習突然之間成了熱門話題，變成IT領域，甚至其他領域的人們都在討論的熱點？也許文章的作者會給你一點這方面的思考。

3. 從神經科學到計算機視覺：人類與計算機視覺五十年回顧

摘要：本文簡單的介紹了神經網路近50年的發展歷程，從1968年的Hubel和Wiesel開展的貓實驗，一直到李飛飛教授等人的成果。從本質上講解了人工神經網路的原理及學習過程，對於想了解神經網路起源及發展歷程的讀者而言，是一篇較為合適的文章。

4. “突發性死亡”的終結者

摘要：醫療AI歷史性的一刻，讓科技真正的轉化為延續人類生命的方法。作者通過對史丹佛大學醫院資料的彙總，開發了一套深度學習系統，並生成一篇論文。該論文在2017年IEEE生物資訊學和生物醫學國際會議上獲得最佳學習論文獎。

5.
2018年AI面臨的五大難題

摘要：本文作者介紹了2018年擺在人工智慧面前的五大難題：理解人類語言，機器人附能，防黑客，玩遊戲，辨別是非。如何解決這些問題，讓AI繼續造福人類社會將成為所有AI從業者的首要任務。

6. 總結2017年AI之十大“敗筆”

摘要：AI並非全能選手，彙總2017年AI出的糗事。

7.
2017 AI醫學領域的年終總結：進展、問題與趨勢

摘要：本文總結了2017年醫學人工智慧領域的相關發展，並對自己2016年預測的結果與2017年的實際情況相比對，說明了醫學人工智慧領域的發展趨勢。

8.
2017年，那些讓人難以忘記的AI成果

摘要：盤點2017年AI領域最具影響力的成就，釋出2017
AI成就榜：發現八行星太陽系、擊敗圍棋高手、擊敗德州撲克高手、自學寫程式碼。

9. 煮酒論AI，看看大牛怎麼說

摘要：回望2017，AI取得了突飛猛進的發展，預見2018，AI將何去何從，聽大牛煮酒論AI。

10. 時代聚焦AI安全——可解釋性

摘要：隨著人工智慧的發展，越來越多的人開始關注人工智慧的安全問題。今年的NIPS多集中人工智慧安全上，作者列舉了在會議上出現的解決人工智慧安全問題的比較不錯的論文。

11. 面向開發者的2018年AI趨勢分析

摘要：本文從開發者的角度分析2018年AI的趨勢：拿來即用的AI領域、演算法與技術。例如GANs、ONNX、Zoo、AutoML、語音識別、時間序列分析、NLP、高智慧機器人等。

12. 人工智慧最受歡迎的10大TED演講

摘要：本文彙總了人工智慧最受歡迎的10大TED演講，讓你全面瞭解人工智慧和機器學習。

13. 五類受自然啟發的AI演算法

摘要：本文主要講解了受自然啟發的五類AI演算法以及各自的實際用例：神經網路、遺傳演算法、群集集體智慧、強化學習、人體免疫。

14. 人工智慧並非是“神”

摘要：人工智慧將要毀滅人類？人工智慧讓更多的人失去工作？是不是媒體過於誇大了人工智慧的能力？人工智障還是人工智慧？今天我們就來看看人工智慧到底有什麼樣的缺點！

15. WIRED網站給出的一份人工智慧完全指南

摘要：本文是WIRED部落格網站給出的一份人工智慧完全智慧，首先回顧人工智慧發展歷程，並著重介紹了幾個大的科技里程碑；之後對人工智慧的未來進行了簡單的預測，並簡單介紹了人工智慧的相關知識。

16. 人工智慧系統安全性分析

摘要：人工智慧研究人員輕易地欺騙了一個影像識別系統，使得香蕉被錯誤地識別為烤麵包機。這引發了一系列安全性的擔憂，如何確保人工智慧系統的安全呢？

17. 流行AI框架和庫的優缺點比較

摘要：不知道自己應該選用那個AI框架和庫？看看本文就行了，本文為AI開發的工程師們梳理了現在最流行的框架，並簡單的分析了它們的優缺點。

18. Keras締造者：François Chollet專訪

摘要：François Chollet作為人工智慧時代的先行者，為無數的開發者提供了開源深度學習框架Keras。時代需要這樣的巨人，這樣開發者才能站在巨人的肩膀上走的更遠。文中可以下載他的新書《deep-learning-with-python》！

19. 深度學習與人工智慧革命：part I

摘要：人工智慧始於思想實驗，深入瞭解AI和深度學習的歷史，並瞭解它們為什麼現在取得快速的發展。

20. 深度學習與人工智慧革命：part II

摘要：本文是該系列內容的第2部分內容，主要介紹人工智慧、機器學習和深度學習三者的差別，著重介紹機器學習中的有監督學習和無監督學習。

21. 深度學習與人工智慧革命：part III

摘要：本文是該系列內容的第3部分內容，主要介紹人工神經網路、深度學習的基本原理，著重介紹深度學習中資料庫的選擇需要考慮的問題。

22. 深度學習與人工智慧革命：part IV

摘要：本文是該系列內容的第4部分內容，主要討論深度學習為何使用MongoDB資料庫，並提供相關使用例項。

23. 不容錯過的2017資料科學15大熱門GitHub專案

摘要：本文作者通過回顧2017年的資料科學發展路徑，為資料科學愛好者彙總了2017年資料科學15大熱門GitHub專案。

24. 2017年深度學習框架之爭——看誰主沉浮？

摘要：本文總結並分析了2017年的相關深度學習框架之間的競爭，包含一些主流的框架比如TensorFlow、PyTorch等，以及一些相關的應用程式介面，比如Keras等，最後展望了下後續的發展。

25. 2017年十大最佳資料視覺化專案

摘要：本文是作者在2017年總結自己最喜歡的十個資料視覺化專案，涵蓋範圍廣，專案生動、有趣且有深度。讀者們可以選擇自己感興趣的專案動手體驗一下吧。

26. 2017資料科學與機器學習行業現狀調查 Python是最受歡迎的語言

摘要：最近，Kaggle這一網際網路上最著名的資料科學競賽平臺首次進行了機器學習與資料科學現狀調查。在超過 16000 名從業者的答卷中，我們可以一窺目前該行業的發展趨勢。

27．AlphaGo Zero：從頭開始學習

摘要：AlphaGo zero這幾天在人工智慧領域掀起了不小的風浪，AlphaGo zero到底是否能夠達到我們所說的通用人工智慧的標準呢？

28. 福利|熱門技術看什麼？這份書單告訴你！（內含PDF連結）

摘要：這是一份關於資料科學、商業分析、大資料、機器學習、演算法、資料科學工具和相關程式語言的福利書單。又騙你買書？不，我們還有電子書！心動不如行動，趕快進來看看吧！

三．求職技巧篇：

1. 資料科學求職過程中總結的四點經驗

摘要：本文是作者在求職資料科學崗位過程中總結出的四點經驗：注重實踐積累經驗、多方出擊充分準備、面對現實確定目標、認清自己明智抉擇。相信對於找工作的相關讀者有所幫助。

2. 每個資料科學家都應該學習4個必備技能

摘要：作為一個資料科學家你必須要掌握的四個必備技能，值得每個想要成為資料科學家和已經成為資料科學家的人去學習。

3. 考察資料科學家支援向量機（SVM）知識的25道題，快來測測吧

摘要：本套自測題專為SVM及其應用而設計，目前超過550人註冊了這個測試，最終得滿分的人卻很少，[doge],一起來看看你的SVM知識能得多少分吧，順便還能查漏補缺哦。

4. 三步走——帶你打造一份完美的資料科學家簡歷|(附件有PPT福利)

摘要：本文介紹了關於寫資料科學家簡歷的一些技巧，主要包含三個部分，分別為簡歷前的材料準備，寫簡歷時應注意的地方以及對整個簡歷的整理。不管你是不是資料科學領域的工作者，本文對於即將求職或找實習的同學而言是一份不可多得的簡歷寫法指南。

5. 資料科學家需要掌握的10項統計技術，快來測一測吧

摘要：本文給出了資料科學應用中的十項統計學習知識點，相信會對資料科學家有一定的幫助。

6. 開啟資料科學職業生涯的8個基本技巧

摘要：本文為資料科學家開創資料科學事業鋪平了道路。只要按照這八個小貼士來做，你就能讓自己的職業生涯有一個良好的開端。

7. 資料科學家實操之路

摘要：Kaggle最近進行了一項旨在評估資料科學和機器學習當前發展狀況的調查。 他們收到了將近17000份答卷，並利用這些答卷做出了大量的分析。

8. 資料分析師不是資料科學家

摘要：作者認為資料分析師是指能夠使用Excel和SQL等工具分析資料，生成報告、圖表和建議，但卻提供不出程式碼的人員。作者這篇文章不是抨擊分析師的，而是為了解決多數人對於資料分析與資料科學之間的誤解。