项目基于PyTorch，是从萌新到老司机的一条进阶之路。
这条路上每走一步，都有算法示例可以直接运行。

<img src=\"大众https://pic2.zhimg.com/50/v2-c3bb8d15ae05513c48565e5e8fb587b6_hd.jpg\"大众 data-caption=\"大众\"大众 data-size=\"大众normal\"大众 data-rawwidth=\"大众1890\公众 data-rawheight=\"大众1692\公众 class=\"大众origin_image zh-lightbox-thumb\"大众 width=\"大众1890\"大众 data-original=\"大众https://pic2.zhimg.com/v2-c3bb8d15ae05513c48565e5e8fb587b6_r.jpg\公众/>

新手可以从根本的根本开始学起，不止线性方案和随机森林，连条记本怎么用，NumPy等主要的Python库怎么用，都有手把手教程。

到中后期，可以学着搭高等的RNN，厉害的GAN，这里还有许多实际运用示例可以跑。
毕竟，这是一个看重实践的项目。

<img src=\"大众https://pic1.zhimg.com/50/v2-548f697050e3450017a14a0201f4e2ef_hd.jpg\"大众 data-caption=\"大众\"大众 data-size=\"大众normal\公众 data-rawwidth=\"大众1080\公众 data-rawheight=\公众487\公众 class=\"大众origin_image zh-lightbox-thumb\"大众 width=\"大众1080\"大众 data-original=\"大众https://pic1.zhimg.com/v2-548f697050e3450017a14a0201f4e2ef_r.jpg\"大众/>

这里的算法示例，可以用Google Colab来跑，免费借用云端TPU/GPU，只要有个Chrome就够了。
没梯子的话，就用Jupyter Notebook来跑咯。

内容友好，持续更新

PracticalAI里面的内容，分为四个部分，并将持续更新：

根本 (Basics)，深度学习入门 (Deep Learning) ，深度学习高阶 (Advanced) ，以及详细运用 (Topics) 。
注：此处非直译。

<img src=\"大众https://pic1.zhimg.com/50/v2-15aca6b893e4a43d14a67d0a9a0caa86_hd.jpg\"大众 data-caption=\"大众\"大众 data-size=\公众normal\公众 data-rawwidth=\公众1080\公众 data-rawheight=\"大众651\"大众 class=\"大众origin_image zh-lightbox-thumb\"大众 width=\公众1080\公众 data-original=\"大众https://pic1.zhimg.com/v2-15aca6b893e4a43d14a67d0a9a0caa86_r.jpg\"大众/>

· 根本部分，除了有Python指南、条记本用法，以及Numpy、Pandas这些库的用法，还有线性方案、逻辑方案、随机森林、k-means聚类这些机器学习的基本技能。

有了这些，可以走进深度学习的天下了。

· 深度学习入门，包括了PyTorch指南、多层感知器 (MLP) 、数据与模型、面向工具的机器学习、卷积神经网络 (CNN) 、嵌入，以及递归神经网络 (RNN) 。

<img src=\"大众https://pic4.zhimg.com/50/v2-84ab13468e90453c7ea2fd4aa5cb18b6_hd.gif\"大众 data-caption=\"大众\公众 data-size=\公众normal\"大众 data-rawwidth=\"大众299\"大众 data-rawheight=\"大众199\公众 data-thumbnail=\"大众https://pic4.zhimg.com/50/v2-84ab13468e90453c7ea2fd4aa5cb18b6_hd.jpg\"大众 class=\"大众content_image\"大众 width=\公众299\"大众/>

· 深度学习高阶，会涉及更高等的RNN、自编码器、天生对抗网络 (GAN) ，以及空间变换网络 (Spatial Transformer Networks) 等等。

· 末了是运用。
打算机视觉是个主要的方向。
除此之外，还会涉及时间序列剖析 (Time Series Analysis) ，商品推举系统，预演习措辞模型，多任务学习，强化学习等等示例可以运行。
也可以修正示例，写出自己的运用。

<img src=\"大众https://pic2.zhimg.com/50/v2-d7d543e2196650745252f413850647d2_hd.jpg\公众 data-caption=\"大众\"大众 data-size=\公众small\"大众 data-rawwidth=\公众866\公众 data-rawheight=\"大众288\公众 class=\"大众origin_image zh-lightbox-thumb\"大众 width=\公众866\"大众 data-original=\"大众https://pic2.zhimg.com/v2-d7d543e2196650745252f413850647d2_r.jpg\"大众/>

细心的小伙伴大概创造了，表格里的有些话题还没有加链接 (如上图) 。
项目作者表示，这些部分很快就会更新了。

其余，表上还有没填满的格子，作者也欢迎大家前去添砖加瓦。

食用解释，无微不至

项目作者用了三点来描述这个项目：

一是，可以用PyTorch来实现根本的机器学习算法，以及神经网络。

二是，可以用Google Colab直接在网页上运行统统，无需任何设定 (也可以用Jupyter跑) 。

三是，可以学做面向工具的机器学习，与实际运用联系紧密，不止是入门教程而已。

<img src=\"大众https://pic4.zhimg.com/50/v2-b49623a7acf76b99aef0120512b27453_hd.gif\"大众 data-caption=\"大众\"大众 data-size=\公众normal\"大众 data-rawwidth=\公众320\"大众 data-rawheight=\公众240\"大众 data-thumbnail=\"大众https://pic4.zhimg.com/50/v2-b49623a7acf76b99aef0120512b27453_hd.jpg\"大众 class=\"大众content_image\"大众 width=\"大众320\"大众/>

那么如何上手？条记本跑起来啊：

(步骤险些是针对Colab写的。
Jupyter用户可忽略。
)

第一步，项目里进到notebooks目录。

第二步，用Google Colab去跑这些条记本，也可以直接在本地跑。

第三步，点击一个条记本，把URL里的这一段：

https://github.com/

更换成这一段：

https://colab.research.google.com/github/

或者用Open In Colab这个Chrome扩展来一键办理。

第四步，登录谷歌账号。

第五步，点击工具栏里的COPY TO DRIVE按钮，就可以在新标签页里打开条记本了。

<img src=\公众https://pic3.zhimg.com/50/v2-0cef9a47a31189dcd8e9394662b24571_hd.jpg\"大众 data-caption=\"大众\公众 data-size=\公众normal\"大众 data-rawwidth=\"大众1080\"大众 data-rawheight=\"大众499\公众 class=\"大众origin_image zh-lightbox-thumb\"大众 width=\"大众1080\"大众 data-original=\公众https://pic3.zhimg.com/v2-0cef9a47a31189dcd8e9394662b24571_r.jpg\公众/>

第六步，给这个新条记本重命名，把名称里的Copy of去掉就行。

第七步，运行代码，修正代码，放飞自我。
所有改动都会自动保存到Google Drive。

开始学吧，不然等到内容更新了，要学的就更多了。

项目传送门：

https://github.com/GokuMohandas/practicalAI/

— 完 —

作者：量子位

链接：https://www.zhihu.com/question/21277368/answer/550671387

来源：知乎

著作权归作者所有。
商业转载请联系作者得到授权，非商业转载请注明出处。