Linki i sznurki

Dla osób, które rozpoczynają zabawę ze

• sztuczną inteligencją (AI)
• uczeniem maszynowym (ML)
• uczeniem głębokim (DP)
• nauką Pythona (PY)
• narzędziami deweloperskimi (DEV)

przygotowałem poniższą listę:

Uczenie maszynowe (ML)

Genialny wstęp przetłumaczony po polsku

Machine learning is fun

https://aihubprojects.com/machine-learning-from-scratch-complete-tutorial/

Klasyka z uniwersytetu Stanforda

http://cs229.stanford.edu/syllabus.html

https://machinelearningmastery.com/blog/

https://sebastianraschka.com/resources/dl-lectures.html

http://www.holehouse.org/mlclass/

https://courses.cs.washington.edu/courses/cse446/16sp/

https://www.tulsadatascience.org/lectures

APS360 Artificial Intelligence Fundamentals

Uczenie głębokie (DP)

https://cs230.stanford.edu/syllabus/

http://cs231n.github.io/

https://github.com/jeffheaton/t81_558_deep_learning

http://www.deeplearningbook.org/lecture_slides.html

http://course17.fast.ai/ (older version with Keras)

https://course.fast.ai/

Kilka filmów :

Pozostałe odcinki łatwo znaleźć na YouTube.

https://www.youtube.com/watch?v=v8QsRio8zUM

Programowanie m.in w Pythonie (PY)

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0001-introduction-to-computer-science-and-programming-in-python-fall-2016/lecture-slides-code/

https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-0002-introduction-to-computational-thinking-and-data-science-fall-2016/

Real Python

Darmowe kursy IBM

1. Python for Data Science

2. Data analysis with Python

3. Data visualization with Python

4. Machine learning with Python

https://python.astrotech.io/index.html

Computer Vision (CV)

http://www.connellybarnes.com/work/class/2017/intro_vision/index.html

http://analizaobrazu.x25.pl/articles/1

Narzędzia (DEV)

Visual Studio Code

PyCharm

Notatniki Jupytera

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

https://notebooks.azure.com/

CheatSheets

https://github.com/ml874/Data-Science-Cheatsheet/blob/master/data-science-cheatsheet.pdf

Gdzie warto spojrzeć od czasu do czasu

• Papers with Code,
• Kaggle,
• Arxiv,
• DeepLearn.org

Blogi

http://colah.github.io/

https://www.pyimagesearch.com/category/deep-learning-2/

About Data (po polsku)

ondata.blog

Jak badać dane

https://mlfromscratch.com/

https://p.migdal.pl/

Książki dla tradycjonalistów:

1. https://ksiegarnia.pwn.pl/Uczenie-maszynowe-z-uzyciem-Scikit-Learn-i-TensorFlow,759382659,p.html

Tu proponuję przerobić część dotyczącą Scikit-Learn, Tensorflow pozostawić po zapoznaniu pakietu Keras. O tym jest kolejna pozycja

2. https://ksiegarnia.pwn.pl/Deep-Learning-Praca-z-jezykiem-Python-i-biblioteka-Keras,776157466,p.html

Zbiory danych

https://datasetsearch.research.google.com/

https://date.gov.pl