神经网络与深度学习学习资料
这组资料适合作为一条从机器学习入门到深度学习专题应用的学习路径来使用。前半部分负责建立基本概念、训练流程和常见模型，后半部分逐步进入卷积神经网络、循环神经网络、计算机视觉、自然语言处理以及图神经网络等专题方向。
它的一个优点是节奏比较清晰：每一讲都会先交代核心概念，再给出典型任务或实践案例。这样阅读时不容易只停留在名词层面，而是能把模型、任务和具体实现联系起来。
推荐学习顺序
每一讲在讲什么
- 1-机器学习基础：先搭建监督学习与模型评估的基本框架，再通过鸢尾花分类把流程串起来。
- 2-深度学习基础：解释为什么要用深度学习，以及正向传播、反向传播和深度学习框架的基本使用方式。
- 3-卷积神经网络：从图像任务出发介绍 CNN 的结构、训练方法和经典网络。
- 4-循环神经网络：从自然语言处理任务切入，逐步过渡到词向量、RNN、LSTM、GRU 和注意力机制。
- 5-深度学习进阶：覆盖迁移学习、GAN 和强化学习，适合作为从基础模型走向更复杂主题的过渡。
- 6-深度学习应用（计算机视觉）：把分类之外的典型视觉任务放到一起看，包括检测、分割、跟踪和若干特色任务。
- 7-深度学习应用（自然语言处理）：从 NLP 基本任务一路延伸到阅读理解、问答、文本生成和多模态方向。
- 8-图神经网络：面向图结构数据，补上常规 CNN 和 RNN 难以直接处理的非欧式数据场景。
适合怎么用
- 如果你是第一次系统学这一块，建议按顺序看，至少先完成前四讲，再决定往视觉、NLP 还是图学习方向继续深入。
- 如果你已经会基本的深度学习训练流程，可以把这组资料当成专题导读，按自己要做的任务跳着看。
- 每一讲都更适合配合代码一起学。最好在看完概念部分后，立即把其中的实践案例或一个最小可运行示例自己复现一遍。