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.
Learning Machine Learning, The Chinese Taoist Way
| Date | Stars |
|---|---|
| 2026-07-24 | 444 |
| 2026-07-25 | 444 |
| 2026-07-28 | 444 |
| 2026-07-30 | 444 |
| 2026-07-31 | 444 |
| 2026-08-06 | 444 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# 适合传统软件工程师的 Machine Learning 学习路径
从造丹炉到学炼丹的修真之路
目录
=================
* [适合传统软件工程师的 Machine Learning 学习路径](#适合传统软件工程师的-machine-learning-学习路径)
* [背景](#背景)
* [深度学习在计算机视觉领域的应用](#深度学习在计算机视觉领域的应用)
* [学习路径](#学习路径)
* [第一阶段 炼气期（3-5 周，每周 2-4 小时）](#第一阶段-炼气期3-5-周每周-2-4-小时)
* [目标](#目标)
* [推荐资料](#推荐资料)
* [Checklist](#checklist)
* [第二阶段 筑基期（2 周，每周 3-5 小时）](#第二阶段-筑基期2-周每周-3-5-小时)
* [目标](#目标-1)
* [推荐资料](#推荐资料-1)
* [Checklist](#checklist-1)
* [第三阶段 金丹期（2 周，每周 3-5 小时）](#第三阶段-金丹期2-周每周-3-5-小时)
* [目标](#目标-2)
* [推荐资料](#推荐资料-2)
* [Checklist](#checklist-2)
* [第四阶段 元婴期（2 周，每周 3-5 小时）](#第四阶段-元婴期2-周每周-3-5-小时)
* [目标](#目标-3)
* [推荐资料](#推荐资料-3)
* [Checklist](#checklist-3)
* [第五阶段 化神期（3-5 周，每周 3-5 小时）](#第五阶段-化神期3-5-周每周-3-5-小时)
* [目标](#目标-4)
* [推荐资料](#推荐资料-4)
* [Checklist](#checklist-4)
* [第六阶段 练虚期 （1 周，3-5 小时）](#第六阶段-练虚期-1-周3-5-小时)
* [目标](#目标-5)
* [推荐资料](#推荐资料-5)
* [Checklist](#checklist-5)
* [第七阶段 大乘期（终身学习）](#第七阶段-大乘期终身学习)
* [目标](#目标-6)
* [推荐资料](#推荐资料-6)
* [参考文献与资料](#参考文献与资料)
* [许可协议](#许可协议)
Created by [gh-md-toc](https://github.com/ekalinin/github-markdown-toc)
## 背景
[才云科技][]是一家基于容器技术和人工智能，打造新一代智能云计算平台和 AI 服务的公司。而随着超参数搜索，模型结构搜索，模型量化与压缩等功能与概念在业界的逐渐落地，机器学习平台的开发工作对机器学习本身的要求越来越高。这要求传统的软件开发工程师不仅需要了解分布式系统等与云计算相关的知识，也需要了解基础的机器学习原理与概念。因此，出于帮助才云内部的[机器学习平台开发工程师们](https://www.lagou.com/jobs/5217772.html?source=pl&i=pl-4)更加好地了解机器学习的目的，我们于 2019 年内部推出了这一文档，现以开源的方式进行维护。
文档主要为传统的软件工程师提供一个**循序渐进，实践性强**的路径，来了解深度学习的基本原理，以及深度学习在计算机视觉和其他领域的应用。由于我们的目标不是让每一位软件工程师转型为算法工程师，而是学习深度学习的知识来指导我们的工作。因此**内容更偏向工程化，而非深度学习的数学知识与理论证明**。
这一文档以计算机视觉领域中的图像识别问题作为切入口，聚焦于一个具体的问题，深入浅出地了解经典的深度网络模型，而不会对各个领域浅尝则止。
### 深度学习在计算机视觉领域的应用
深度学习在计算机视觉领域有许多应用场景。
<div align="center"><img src="images/image5.png" width="200"><p>Fig. 1 图像识别与对象识别</p></div>
首先最简单的是图像识别，也就是 Fig. 1 中的上图。图片中只有一个物体，而图像识别算法会识别出图像中唯一的物体是什么物体。这一例子中是狗。图像识别也是我们这一课程面向的应用场景。其代表模型有 MNIST（数字图像识别），ResNet, MobileNet, DenseNet, VGG 等。
接下来，是对象检测，或者说目标检测，也就是 Fig. 1 中的下图。在一张图中，检测出图中所有的对象以及类别（两条狗，一只猫），以及它们的位置（蓝色框和红色框）。这一应用场景下的经典模型有Faster RCNN, SSD, Yolo-v3 等。
<div align="center"><img src="images/image3.png" width="200"><p>Fig. 2 语义分割与实例分割</p></div>
再接下来，有图像语义分割，也就是 Fig. 2 中的上图。图像语义分割就是机器自动从图像中分割出对象区域，并识别其中的内容。图中例子为识别了狗和猫，并且用不同的颜色区分区域。这一应用场景的经典模型有 FCN, PSP, DeepLab v3 等。
图像实例分割如 Fig. 2 下图所示，是在语义分割的基础上，划分不同实例。狗作为一个对象（可以理解为面向对象中的类），有不同的实例。实例分割不仅需要区分不同对象，还需要区分不同实例。这一场景的经典模型有 Mask RCNN 等。
<div align="center"><img src="images/image4.png" width="400"><p>Fig. 3 姿态估计（credit：知乎李沐）</p></div>
姿态估计，如图 Fig. 3 所示，就是根据图像确定人体骨架，以及人体姿态动作。这一领域的经典模型有 Simple Pose 等。
<div align="center"><img src="images/image1.png" width="200"><p>Fig. 4 GAN</p></div>
除了上述应用，还有一类特殊的模型应用，即生成式对抗网络。它可以被用来做风格转移（照片转水墨画风格等），超分辨率（分辨率低的图片生成高分辨率的图片，或者根据低分辨率的图片复原高分辨率的图片等）等不同的生成图片任务上。Fig. 4 中所展示的就是一个 GAN 模型利用人脸图片生成对应 emoji 下的图片的过程。这一模型由于应用很广而且过于灵活，因此有很多不同的实现，比较经典的有 WGAN, CycleGAN，SRGAN 等。
<div align="center"><img src="images/image2.png" width="500"><p>Fig. 5 行人重识别</p></div>
除此之外，如 Fig. 5 所示，还有一类应用就是行人重识别。这是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。
深度学习在计算机视觉领域的应用形形色色，我们只针对其中最简单的应用，也就是图像识别问题展开学习。
## 学习路径
学习路径一共分为六个阶段，其中第一个阶段主要会了解 DL 的基本概念；第二个阶段会以 kNN（k 近邻算法）为例，了解传统机器学习在图像分类问题的解法。第三个阶段会了解梯度下降，反向传播等神经网络的基础知识。第四个阶段会了解卷积神经网络的卷积层，池化层等概念。第五个阶段将会更加深入地了解模型训练的过程。第六个阶段会以 TensorFlow 为例，了解模型部署和可视化过程，最后一个阶段则是自由的探索与学习。
其中会首先介绍每一阶段的目标，随后是推荐的学习资料，最后是 Checklist。
### 第一阶段 炼气期（3-5 周，每周 2-4 小时）
#### 目标
这一阶段的主要目标是，熟悉 AI，尤其是 DL 的基本概念。在这一阶段中，以下知识会需要了解：
- 什么是数据
- 神经网络是什么，以及它在最近兴起的原因
- 机器学习的基本概念，监督学习与非监督学习的关系
- 神经网络与机器学习的关系
- 深度网络是什么，它与神经网络又是什么关系
通过这一阶段的了解，我们会清楚，机器学习是一门怎样的学科，神经网络在其中又扮演着怎样的角色。
#### 推荐资料
首先，对于英语水平不错的同学，推荐先上完 [AI For Everyone](https://www.coursera.org/learn/ai-foExcerpt of 12,274 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:703ff31e211cdcc9, topic:tutorial