该网页介绍了一个人工智能学习项目，涵盖多领域资源与学习路径，旨在助力学习者高效入门和实践，以下是详细总结： 1. 项目概述：由唐宇迪创建，提供近 200 个人工智能实战案例与项目，基于其五年教学积累，涉及 Python、数学、机器学习、数据分析、深度学习等热门领域，配套教材可免费获取电子版，资料原在百度网盘，因举报问题后续将提供谷歌网盘，抖音资料可按指引获取。 2. 学习路径与资源 - 必备基础技能 - Python 基础：不熟悉 Python 者可看入门视频，建议使用 Anaconda 和 jupyter notebook，后续实战基于 Python。 - 数学基础：在人工智能领域至关重要，可快速过一遍高数、线性代数、概率论、统计分析等常用知识点，重点是理解公式用途，无需钻研解题过程，学习中边用边查。 - Python 工具包：如 Numpy（矩阵计算）、Pandas（数据处理）、Matplotlib（可视化）、Seaborn（简单可视化）等，先熟悉，用时现查。 - 机器学习 - 算法学习：掌握经典算法原理及 Python 建模，包括分类、回归、聚类、降维、进阶算法等，理解算法对数据操作及数学应用，多刷算法对面试有帮助，深度学习不能替代机器学习，需依任务选合适算法。 - 实验分析：通过对比实验理解算法参数影响，如线性回归、逻辑回归等多种算法的实验分析案例。 - 代码复现：从零复现算法可助于掌握原理，有时间可尝试，如线性回归、逻辑回归等算法的代码实现。 - 实战案例：在实战中要掌握工具包使用、数据预处理等技能，案例涉及不同数据类型和任务，如 K 近邻算法、交易数据异常检测等。 - 实战集锦：提供丰富项目练手，如 Python 关联规则、爱彼迎数据集分析等。 - 数据分析与挖掘 - 数据挖掘：对海量数据用机器学习算法获结果，重点是数据处理与特征工程，如泰坦尼克号获救预测等案例。 - 竞赛解决方案：展示大型竞赛优胜案例及代码，助于提升能力，如快手短视频用户活跃度分析等。 - 数据分析：重在可视化展示和指标分析，有散点图绘制、纽约出租车分析等案例。 - 深度学习 - 核心要点：掌握算法（CNN、RNN 等经典网络）和框架（Tensorflow、Pytorch 等），相对机器学习更易，套路较固定。 - 必备算法：涵盖神经网络、卷积神经网络等多种，是学习基础和重点。 - 框架学习：主流是 Tensorflow 和 Pytorch，推荐 Pytorch，学习时直接用案例上手，各框架都有对应实战项目，如 Tensorflow2 的猫狗识别、Pytorch 的图像识别等。 - 计算机视觉 - 核心技能：图像处理（用 Opencv）和图像建模（深度学习），传统算法可简单了解，重点关注深度学习方向。 - Opencv 实战：用 Python 版学习，调包编程，熟悉常见图像处理操作，如信用卡数字识别等案例。 - 深度学习项目：Mask-rcnn 是重点，集检测、识别、分割于一体，适合写在简历，还有图像风格转换等项目。 - 自然语言处理：学习难度较大但前景好，重点学习 BERT 框架，可用于多种任务，如情感分析、命名实体识别等，还有语言模型、词向量等基础项目。

github