Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
机器学习、深度学习、自然语言处理、计算机视觉、各种算法等AI领域相关技术的路线、教程、干货分享。笔记有：机器学习实战、剑指Offer、cs231n、cs131、吴恩达机器学习、cs224n、python自然语言处理实战
| Date | Stars |
|---|---|
| 2026-07-24 | 695 |
| 2026-07-25 | 695 |
| 2026-07-28 | 696 |
| 2026-07-30 | 696 |
| 2026-08-06 | 696 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# <p align="center">AIMI-CN 推荐AI学习路线以及课程笔记</p> ## 组织介绍： 我们是一群爱好AI学习的爱好者！在这里我们一起学习、互相督促、一起装逼~ 我们更新的一些AI相关的笔记~ 包括算法、机器学习、深度学习、自然语言处理，之后也会更新更多的笔记让大家一起学习~ **AIMI-CN AI学习交流群(里面有各种AI相关的资源)【1015286623】<a target="_blank" href="//shang.qq.com/wpa/qunwpa?idkey=e0babfbb0e942a7ab871c51a13436fb5689aa4b0d8776641c8ba996d84c53385"><img border="0" src="img/otherImages/group.png" alt="AI~AIMICN" title="AI~AIMICN"></a>** **我们的公众号也会时不时的推送各种干货等你来关注~** **搜索微信公众号：'AI-ming3526'或者'计算机视觉这件小事' 获取更多AI方向机器学习资源干货** <div align=center><img width = '258' height ='258' src =img/otherImages/qrcode.jpg/></div> # 我们的学习笔记(涉及算法、机器学习、深度学习、NLP等方向) ## 一、算法方向 ## 1、算法与人生 [@bidongqinxian](https://github.com/bidongqinxian) 为你学习机器学习开头指引明路~ [详细文章地址](https://github.com/aimi-cn/AILearners/tree/master/blog/Algorithm) [源码地址](https://github.com/aimi-cn/AILearners/tree/master/blog/src/py2.x/algorithm) ## 2、剑指Offer算法习题详细解析 [@xiaoming3526](https://github.com/xiaoming3526) 牛客网上刷《剑指Offer》的刷题笔记，旨在提升我们算法能力~ [详细文章地址](https://github.com/aimi-cn/AILearners/tree/master/blog/Algorithm/jianzhi_offer) [csdn地址](https://blog.csdn.net/baidu_31657889/article/category/9059648) ## 二、机器学习方向 ## 1、吴恩达老师机器学习笔记[@JermaineZ](https://github.com/JermaineZ) [@niuhongying](https://github.com/niuhongying) [@liuxinyi222](https://github.com/liuxinyi222) 为你打开机器学习的大门~ [**详细的笔记地址**](https://github.com/aimi-cn/AILearners/tree/master/blog/ml/ml_wnd) ## 2、《机器学习实战》课程及代码详细解析、书籍、数据集下载 [@Fermin](https://github.com/xiaoming3526) 让你用代码来体验机器学习~ [**课程详细笔记地址**](https://github.com/aimi-cn/AILearners/tree/master/blog/ml/jqxxsz) [机器学习实战书籍](https://github.com/aimi-cn/AILearners/tree/master/books) [源码和数据集下载](https://github.com/aimi-cn/AILearners/tree/master/data/ml/jqxxsz/sourceData) ## 3、《机器学习》周志华西瓜书笔记[待定]() ## 三、深度学习方向 ## 斯坦福cs231n 面向视觉识别的卷积神经网络课程笔记[@5people]() 详细介绍什么是神经网络、CNN、RNN、GAN~ [**详细的笔记地址**](https://github.com/aimi-cn/AILearners/tree/master/blog/dl/cs231n) ## 四、自然语言处理NLP方向 ## 1、斯坦福cs224n **2019** 基于深度学习的NLP 课程笔记、课后作业、学习资料 [@Guokaijie](https://github.com/abc907558136) 我们一起学习最前沿的NLP知识~ [cs224n课程详细笔记](https://github.com/aimi-cn/AILearners/tree/master/blog/nlp/cs224n) [cs224n学习资料](https://pan.baidu.com/s/1ADcGT4sljV1lYPWNhFXs2Q ) 提取码：e234 [youtube视频链接](https://www.youtube.com/watch?v=8rXD5-xhemo&list=PLoROMvodv4rOhcuXMZkNm7j3fVwBBY42z&index=1) 国内可以在B站找到 ## 2、python自然语言处理实战书籍代码笔记[@changan](https://github.com/stuchangan) 在实战代码中学习NLP~ [详细笔记地址](https://github.com/aimi-cn/AILearners/tree/master/blog/nlp/NLP-Core%20Technology%20And%20Algorithm%20With%20Python) [代码以及书籍下载地址](https://github.com/aimi-cn/AILearners/tree/master/data/nlp/NLP-Core%20Technology%20And%20Algorithm%20With%20Python) # AIMI-CN推荐AI学习路线：机器学习、深度学习、NLP等推荐的学习资料以及学习方向 观看先决条件： **选择，方法，坚持** 我们都知道现在资源是非常非常的多 我们首先选择一份真正适合自己的资料，然后用适合自己的方法来学习~最后最重要的就是坚持！！！ 转载一个非常牛的几个组织整理出来的AI学习路线 [重磅 | 完备的 AI 学习路线，最详细的资源整理！](https://github.com/apachecn/ai-roadmap/blob/master/ai-union-201904/README.md) # 一、机器学习 ## 机器学习建议 学习机器学习需要一定的数学基础，但是仅仅是一点数学基础，不要被这些吓坏了，各位都是大佬，拿起键盘就是干。 我就根据自己的一点点经验来分析一下应该怎么学---- 首先需要的是两个放弃： ## 1. 放弃海量资料！ 没错，就是放弃海量资料！在我们想要入门机器学习的时候，往往会搜集很多资料，什么 xx学院机器学习内部资源、机器学习从入门到进阶百 G 资源、xx 人工智能教程，等等。很多时候我们拿着十几 G、几百 G 的学习资源，然后踏踏实实地放到了某云盘里存着，等着日后慢慢学习。殊不知，有 90% 的人仅仅只是搜集资料、保存资料而已，放在云盘里一年半载也忘了打开学习。躺在云盘的资料很多时候只是大多数人“以后好好学习”的自我安慰和“自我”安全感而已。而且，面对海量的学习资料，很容易陷入到一种迷茫的状态，最直接的感觉就是：天啊，有这么多东西要学！天啊，还有这么多东西没学！简单来说，就是选择越多，越容易让人陷入无从选择的困境。 所以，第一步就是要放弃海量资料！而是选择一份真正适合自己的资料，好好研读下去！ ## 2. 放弃从零起步！ 说到入门，很多人会想着那就要从最基础的知识开始学起！机器学习是一门融合概率论、线性代数、凸优化、计算机、神经科学等多方面的复杂技术。学好机器学习需要的理论知识很多，有些人可能基础不是特别扎实，就想着从最底层的知识开始学起，概率论、线性代数、机器学习凸优化公式推导，等等。但是这样做的坏处是比较耗时间，而且容易造成“懈怠学习”，打消学习的积极性。因为啃书本和推导公式相对来说是比较枯燥的，远不如自己搭建一个简单的回归模型更能激发自己的学习积极性。当然，不是说不需要钻研基础知识，基础理论知识非常重要！只是说，在入门的时候，最好先从顶层框架上有个系统的认识，然后再从实践到理论，有的放矢的查缺补漏机器学习知识点。从宏观到微观，从整体到细节，更有利于机器学习快速入门！而且从学习的积极性来说，也起到了“正反馈”的作用。 ## 3、机器学习入门学习路线 好了，谈完了机器学习入门之前的两个“放弃”之后，我们就在介绍一下入门路线。 ### 3.1 数学基础 个人认为首先需要的数学基础：概率论、矩阵论以及微积分。没有也不要紧，边看边学，看到不会的查一下就行了。 > 【免费】数学教学视频 - 可汗学院 入门篇 | 概率
Excerpt of 6,387 characters
Read on GitHub
146
49
36
19
15
3
2
1
1
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:ddc27f9d860efc18, topic:deep-learning
matched fp:ddc27f9d860efc18, topic:computer-vision
matched fp:ddc27f9d860efc18, topic:nlp