深度学习之路

写在前面一些东西：我是一个转行的人，也是一个小白，写这些东西既是为了记录回顾自己所学，同时也是给刚入门的同学一点信心和冲劲，正如亮剑中李云龙所说，我们要敢于亮剑，不管前方道路有多么艰难困苦，我相信我们的坚持和努力能够克服
本帖会持续更新，记录自己一路走过的学习之路，如果有人能够从中获取点什么，也算是我的万分荣幸。另外 本帖中出现的所有课程资料我均已购买正版或为免费资源，如有侵权，请告知

开拔

先写一些路径指导上的东西，给学习定一个框架

这是成为一个成熟的AI算法工程师所必需的知识框架，当然大家也不要太过紧张，短时间内肯定不可能都学完，下面是我的学习之路，仅做参考，后续成长的过程中继续对自己进行补充升级。
这个地方也是我踩的坑之一，一开始总会显得比较迷茫，太多了，不知道开始学什么，这也学点那也学点，最后还是什么都不会，才痛定思痛，顺着一条路径开始学习，并且定了自己的细分领域，比如我想进入无人驾驶行业，细分下就是目标检测，这属于CV即计算机视觉，单单只学习前面的东西，是不够的，万丈高楼从地起，前面的都是地基，是方法，细分领域下还有工具，有更多具体问题的算法，正如周院士所说，算法没有优劣，具体问题的算法才有优劣，每一个细分领域的算法都是基础算法的改进再改进，但是万变不离其宗，如果基础不牢固，后面也听不懂，无从下手。我就是直接跳过了一些基础算法部分，直接去看SSD，YOLO，Faster RCNN这些经典算法发现看不懂，又回来补基础。
看一下学习路径吧，从小白入门开始，慢慢进阶，学到哪儿我就更新到哪儿，步步排雷，开拓道路，希望有一起学习的同学加入我，我们互相鼓励，共同进步

基础部分的学习过程

这是我学python的视频，大家可以另外找视频，也可以用这个，内容较多，请选择观看，不明白的请私信我
链接：https://pan.baidu.com/s/1K4ObShiou1ttOXkmD3u-1A
提取码：wed0
数学基础就是上面提到的那些，目前只用到了简单的微积分，线性代数（主要是矩阵思维，还有一些特殊矩阵的性质吗，比如对称矩阵，忘记了的不要慌，我也忘记了，重新翻一下，静下心来，大概几个小时就可以了，大家可以找本书看一下），概率论与数理统计（基础建设，深度学习很多东西都是基于概率来的，从头到尾即符号意义，古典概率开始到大数定理都需要掌握，静下心来，很快的，因为都是基础东西，不做很难的研究，先把原理搞懂再说，基础不牢地动山摇）。
比较重要的是导数，偏导，梯度下降原理，Beta函数（概率的概率分布），Taylor展开（多项式，我们解决的就是一个模型近似问题），我看的是王良老师的课程，是数学背景，大家有兴趣可以搜一下，我报的会员不需要钱，不知道正常看这个课需不需要钱，其个人博客为：https://wangliangster.github.io，我是转行的所以比较着急，想花点钱有人带着少走些弯路，资金有困难的同学可以自己看，都是基础知识，上学时间比较充裕
附上一个知乎专栏连接，讲机器学习中数学知识点的，你会了可以按这个复习，不会可能看不懂，但可以按照这个点去看相关知识点：https://zhuanlan.zhihu.com/p/36584206
下面开始更新今天学到的东西（19/12/04）：
还是那句话，基础不牢地动山摇，所以针对性的复习数学知识，我下面所说都是我视频课程中的数学知识点，大家可以按照这个学习，应该够用，如果时间充裕，可以将基本数学课全部过一遍另算。
今天学习和复习的内容包括：导数，偏导，方向导数，梯度下降原理（为什么梯度下降最快，因为该方向的导数移动速度最快），Beta函数，Taylor展开，还有线代的一些知识，包括特征值与特征向量，方程组的解，PCA降维原理，主要是协方差矩阵和对称矩阵的性质，具体可以到王良老师博客上去看一下。
可汗学院统计学的经典内容：
http://open.163.com/newview/movie/free?pid=M82IC6GQU&mid=M83J9IK60
不知道今天能不能看完，看不完过来分割一下。
很可惜今天没有看可汗学院的视频，主要理解PCA的降维原理的时候碰到了一些问题，对于矩阵对角化和对称矩阵这块儿不太理解，又重新翻了下书，附上PCA链接：https://blog.****.net/r709651108/article/details/82777598
此博客关键部分的理解：协方差矩阵AA的转置的对角元素是数据方差，其余元素为不同数据间的协方差，降维而不丢失信息的原理就是找到一个新的这样的协方差矩阵，使数据自己的方差最大，保持本身数据完整性，协方差为0，保证数据降维过程中不同数据的不相关性，以便在新的基上投影时保证数据的多样性。
我们在降维过程中是在这样的原则指导下进行的，所以基于下图D和原始数据协方差矩阵C的关系，我们将原始数据X降维到Y的矩阵P就可以确定了，C本身是实对称矩阵（至于为什么矩阵XX的转置是对称矩阵，不知道的可以自己查一下资料），P就是将C对角化的一个矩阵，接下来就是C为对称矩阵的性质，求P，求出P取前K行（怎么取），再乘以X得到Y，就完成了降维。
附上个图，是博客里面涉及到的一个推导过程，博客中没有，其余少的例子自己例举一下就好，不知道为啥举例子解释却没有例子，不过不咋影响阅读

解释一下矩阵的对角化：
首先提出矩阵相似的概念，设有n 阶方阵A与B，若有可逆矩阵P使得P逆AP=B，则称A与B相似，如果一个方阵和一个对角阵相似，就称此方阵可对角化。
矩阵对角化的充要条件为：n阶方阵A有n个线性无关的特征向量
推论：若n阶方阵A有n个不同的特征值，则A可对角化
因为不同特征值的特征向量是线性无关的，若特征值有重数，还是看特征向量的个数
对于这种情况来说P就是线性无关的特征向量组成的矩阵
对于n阶实对称方阵来说，有定理：不同特征值对应的特征向量互相垂直
这就是求解上述使对称矩阵C成为对角化矩阵D的P矩阵的方法，对于博客中所说的基只需要将特征向量正交化即可，使用施密特正交公式。
正交矩阵的定义是A*A的转置=E
未完待续。。。

西瓜书的学习

最近跟着深度之眼的西瓜书训练营开始学习西瓜书，同步更新自己所学到的知识点，每天将所学到的东西，同时在博客中更新，未完待续。。。

机器学习

吴恩达的机器学习课程我已经看完了，这个是入门必看课程，前面很简单，后面慢慢的才有些难度，有些不懂的地方，特别是关于PCA降维原理部分，这个课程在网易云课堂是免费的，大家可以去看看，这个课程不好的一点是没有代码，只有原理，脱离代码可能有时候觉得比较懵逼，我看了两遍那个课，现在还是忘了很多，因为没有代码，后续一段时间我会将里面的代码实现，开始实现那里面代码的时候会在这个段落添加博客链接。

刚刚开始总是会显得很慌乱，万事开头难，几天后就会走向正轨的