先说一下自己的背景:
1. 硕士的领域是image/video compression
长期(>10年)以来做的都是embedded Linux相关的工作
2. 对人工智能及deep learning相关的知识有很大的兴趣
工作之余也自学了一些(看了市面上的几本原文书)
目前对于基本的观念及操作应该知道一些:
downloading data, training data model, testing data model.
3. Computer vision 应该有一些基本的功
看了一些OpenCV的书, 操作过一些案例
一来因为不是computer science/engineering的本科
二来因为过去工作上完全没有机会用到以验证所学
自认为还有很多地方不足,
考虑到学校的课程安排应该会比较严谨些
因此想试着把学校的学习路程走一次...
不知道有没有人的硕/博士论文是跟AI/ deep learning相关的,
A. 能否建议一下, 哪些书(作者)是基本必读的?
B. 有考虑到台大去旁听课程, 能建议哪些课?
想利用下半年的时间全力(full-time)补足这个领域
人生的最后阶段不想再演了
想做有兴趣的事
先感谢各位帅哥美女的建议
祝大家都发大财

好奇问motion compensation或慢速摄影应用 还有发展吗

Andrew NG、花书

....我觉得现在门槛很高.....然后吃学历也很高 就算是四大硕本科 也不一定十拿九稳吧 何况半年

Linux 给技职系统学生就可以做很好，快点换到障碍高的ML是对的。PRML 是很好的书。

Cs231n

Goodfellow 的 Deep learning呀https://developers.google.com/machine-learning

Linux太简单？？黑人问号

水管搜寻李宏毅

说技职就能懂linux是在开玩笑吗哈哈

李宏毅不太建议，VAE,GMM,EM不够深入或没教到。Probalistic Model 需要更强大数学背景，值得研究。但是常会被打败而沮丧

推李鸿毅，我猜上面是说用linux不难，但想写出来就是很大的问题了QQ

不觉得有多吃数学，我也是理科转到ML/DL领域

tipsofwarren: Linux 给技职系统学生就可以做很好 ??

要看他背景啦，我类EE背景出来的转ML是0障碍但学linux或os相关就有比较高的门槛要跨

吃不吃数学也跟领域有关 偏应用类的paper相对容易 反之像ICML一些重推导的paper就会用到在工科系课纲可能不会太注重的数学工具 例如Lp-space、"almost everywhere"的概念，Bayesian的工具例如sampling, variational inference在工学院的机率统计也不见得会碰到

不用去旁听，网络上都有去也只是放影片给你看...

李宏毅的确省略很多数学，但原因是那是一学期的冲深度学习的速成课程啊XD 那可以另外补，对我来说不构成不推荐的原因

EDX现在有一门MIT新开的ML 刚开始而已 我正在上所以不知道好不好

李宏毅 觉得想再深入一点就林轩田

这个list提供不少国外课程资源供你参考https://reurl.cc/qAn4N

sampling在工科消息评估还是蛮常用到的，小弟硕班是走HMM的研究，所以sampling 都还是要学，反倒是变分推理其实变分推理也是从EM拓展出来的。ML我自己从业那么久，我反而觉得他还是被框在shnnon的消息理论框架里面。

楼上真强人

李宏毅课上完 作业写一写 然后找有兴趣的paper实作

感谢分享

李教授的课我自己是会看啦，毕竟这学期的课还是蛮优的，后面介绍很多新模型。毕竟工作以后，真的使用到的模型类型越来越窄，meta那章我自己之前真的了解的就siamese而已，看完教授的课才比较有机会认识几个比较新的模型。想做nlu的可以去看最新教授transformer、bert那章，不过教授应该也是碍于时间没有把bert讲得很完整，像bert随机mask，其实是想做denoise autoencoder，这个跟LM模型有承先启后的关系，要完整从elmo的脉络一直接下来，最后就是今年刚出来的transformer XL模型。

我个人觉得吃不吃数学真的很看你做哪一方面的耶，有些真的数学推导很多，有些真的没什么数学

google awesome deep learning

李宏毅和林轩田，搭配 kaggle 实际练习。基础有了就多看新的 paper 知道一些新的架构是怎样设计的，然后自己试着刻看看。