最新kaggle学习手册分享！（超全干货）
来源：投稿 作者：echo 编辑：学姐
写在前面：有关人工智能学什么，怎么学，什么路线等一系列问题。我决定整理一套可行的规划路线，希望帮助准备入门的朋友们少走些弯路。
下面我会推荐一个比较快速可行的学习模板，并附上我认为比较好的学习资料。新手不建议看书学习，看视频课是快速入门的最好方法。
学习路径
1 环境配置2 python基础3 数据分析（配合实践）4 机器学习基础（配合实践）5 深度学习基础6 深度学习竞赛实战7 论文阅读8 如果你坚持进行到了第8步，你已经对人工智能有一个详尽的解了，后续的具体学习方向你自己会做出正确选择
1环境配置
对于一个新手小白，环境配置是一个很大的问题，pychram，anaconda，各种库的安装都是一大问题，我提供三种解决方案
1自己动手配置（不推荐）
缺点：对零基础不友好，踩坑无数，耗费时间，建议后续学习一段时间有一定了解后再尝试 具体结合自身实际做出选择
2淘宝远程配置（推荐）
淘宝找下python远程环境配置，配置本地环境全套预计50元左右
需要安装（与即可）
你需要做的，就是它们给你配置环境的时候学习他们怎么配置的环境重点： 我并不推荐新手用户本地安装GPU版本的torch（学习深度学习会用得到的库），该原则适用于大多数电脑显存在16G以下的用户，也就是3080的显卡，原因下一条给出
3使用免费的在线环境（非常推荐）
点击就可以在线编程了
kaggle是一个深度学习竞赛平台，上面经常发布一些有难度的比赛，并且提供了非常好的开源环境（学习资料多）与计算资源（配置好的在线环境）。
下图为kaggle提供的免费使用的显卡类型：
P100为16G显存，足够大家使用，且kaggle环境都已经配置完成，就无需在自己电脑上配置环境了 kaggle网站：https://www.kaggle.com/
2 python基础
你需要学习并且掌握变量和数据类型：掌握基本的数据类型，如字符串、整数、浮点数、布尔值等，以及如何声明和操作变量。列表、元组和字典：学习如何使用这些数据结构来组织和处理数据。流程控制语句：学习 if、for 和 while 等流程控制语句，以及如何使用它们来控制程序的流程。函数和模块：了解如何定义和调用函数，以及如何使用模块来组织代码和重复使用代码。文件操作：学习如何读取和写入文件，以及如何处理文件中的数据。面向对象（OOP）
python基础网上到处都是资料，学习起来也容易，可以去哔哩哔哩找个免费的课程看下（基本顺着看，看完面向对象部分就可以了）
完成这一部分后，你可以看懂python的基本语法结构，为后续学习打下基础
python基础资料推荐
零基础学python视频课程（bilibili）：https://www.bilibili.com/video/BV1c4411e77t?p=4&vd_source=93b97e9b884c86d0d5596de08b85cf81 python菜鸟教程：https://www.runoob.com/python/python-tutorial.html
3 数据分析
你需要掌握numpy（一个科学计算的库）pandas（数据处理的库）matplotlib（可视化的库，了解即可）配合简单的项目熟悉数据分析即可
推荐的数据分析项目，项目已经在阿里云天池开源
此处推荐开源的天池开源的一个项目： 动手学数据分析：https://tianchi.aliyun.com/notebook/336534
4 机器学习基础
数学基础
线性代数：矩阵、向量、线性变换、行列式、特征值、特征向量等微积分：导数、极限、微分、积分等概率论与统计学：概率分布、条件概率、期望、方差、假设检验、最大似然估计等
算法基础
入门学习过程中，一个总体的把握是最重要的，不必细扣每一个算法的数学推导
你需要学习以下算法（掌握其中三个算法，了解其他算法的作用与基本原理即可的）线性回归算法 Linear Regression支持向量机算法 (Support Vector Machine,SVM)最近邻居/k-近邻算法 (K-Nearest Neighbors,KNN)逻辑回归算法 Logistic Regression决策树算法 Decision Treek-平均算法 K-Means随机森林算法 Random Forest朴素贝叶斯算法 Naive Bayes降维算法 Dimensional Reduction
机器学习库sklearn官网：https://scikit-learn.org/stable/
5 深度学习基础
主要学习内容包括：
基础部分
深度学习工程基础与环境搭建深度学习数据结构基础（张量，矩阵）认识pytorch框架结构神经元，层与层之间的连接激活函数，输出函数神经网络的一般训练流程目标函数，损失函数，评估函数反向传播梯度消失与梯度爆炸Dropout与Batch-Normalization数据格式控制Dataset与封装函数Dataloader
进阶部分
卷积神经网络感受野、参数量、转置卷积与反卷积池化操作经典的特征提取网络（LeNet5、AlexNet、VGG、ResNet网络）词向量：Word2Vec、GloVe、FastText循环神经网络：LSTM、GRU 等注意力机制：Self-Attention、Transformer 等
方向分流
目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 等图像分割：FCN、U-Net、SegNet、Mask R-CNN 等
6 深度学习竞赛实战
我还是推荐kaggle：https://www.kaggle.com/竞赛平台
Code区的高赞代码都是比较优秀的学习资料，如果想进一步提升自己的竞赛成绩，需要结合discussion中的上分trick并且进行尝试
更重要的是，去复盘kaggle已经结束的比赛，仔细阅读冠军的开源的思路与方案，复盘他的上分思路与过程，吸收思想。
学姐这里已经帮你们整理打包好190多场比赛的top方案！大家关注“学姐带你玩AI”公号，回复“比赛”免费领取！
7论文阅读
阅读经典论文与最新的论文，吸收论文中的基本原理与创新点
在此我推荐计算机视觉与自然语言处理各十篇文章。
关注“学姐带你玩AI”公号，回复“阅读”免费领取论文合集！
计算机视觉
AlexNet: ImageNet Classification with Deep Convolutional Neural NetworksVGG: Very Deep Convolutional Networks for Large-Scale Image RecognitionResNet: Deep Residual Learning for Image RecognitionInception: Going Deeper with ConvolutionsFaster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksMask R-CNNYOLO: You Only Look Once: Unified, Real-Time Object DetectionDenseNet: Densely Connected Convolutional NetworksEfficientNet: Rethinking Model Scaling for Convolutional Neural NetworksGAN: Generative Adversarial Networks
自然语言处理
Word2Vec: Efficient Estimation of Word Representations in Vector SpaceSequence to Sequence Learning with Neural NetworksLSTM: Long Short-Term MemoryAttention is All You NeedBERT: Pre-training of Deep Bidirectional T ransformers for Language UnderstandingTransformer-XL: Attentive Language Models Beyond a Fixed-Length ContextGPT: Improving Language Understanding by Generative Pre-TrainingALBERT: A Lite BERT for Self-Supervised Learning of Language RepresentationsXLNet: Generalized Autoregressive Pretraining for Language UnderstandingT5: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
优秀UP推荐
跟李沐学AI：https://space.bilibili.com/1567748478 深度之眼官方账号：https://space.bilibili.com/365093772 刘二大人：https://space.bilibili.com/21241234 同济子豪兄：https://space.bilibili.com/1900783 二次元的Datawhale：https://space.bilibili.com/431850986
最后，推荐所有的学习以视频课程为主，动手代码练习为主。
祝各位同学炼丹顺利！
