網(wǎng)上有很多關(guān)于pos機(jī)刷卡顯示英文,完備的 AI 學(xué)習(xí)路線(xiàn)的知識(shí)，也有很多人為大家解答關(guān)于pos機(jī)刷卡顯示英文的問(wèn)題，今天pos機(jī)之家(m.afbey.com)為大家整理了關(guān)于這方面的知識(shí)，讓我們一起來(lái)看下吧!
本文目錄一覽：
pos機(jī)刷卡顯示英文
本文由知名開(kāi)源平臺(tái)，AI 技術(shù)平臺(tái)以及領(lǐng)域?qū)＜遥篋atawhale，ApacheCN，AI 有道和黃海廣博士聯(lián)合整理貢獻(xiàn)，內(nèi)容涵蓋 AI 入門(mén)基礎(chǔ)知識(shí)、數(shù)據(jù)分析\\挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、前沿 Paper 和五大 AI 理論應(yīng)用領(lǐng)域：自然語(yǔ)言處理，計(jì)算機(jī)視覺(jué)，推薦系統(tǒng)，風(fēng)控模型和知識(shí)圖譜。是你學(xué)習(xí) AI 從入門(mén)到專(zhuān)家必備的學(xué)習(xí)路線(xiàn)和優(yōu)質(zhì)學(xué)習(xí)資源。
基礎(chǔ)知識(shí)
1
數(shù)學(xué)
數(shù)學(xué)是學(xué)不完的，也沒(méi)有幾個(gè)人能像博士一樣扎實(shí)地學(xué)好數(shù)學(xué)基礎(chǔ)，入門(mén)人工智能領(lǐng)域，其實(shí)只需要掌握必要的基礎(chǔ)知識(shí)就好。AI的數(shù)學(xué)基礎(chǔ)最主要是高等數(shù)學(xué)、線(xiàn)性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)三門(mén)課程，這三門(mén)課程是本科必修的。這里整理了一個(gè)簡(jiǎn)易的數(shù)學(xué)入門(mén)文章：
數(shù)學(xué)基礎(chǔ)：高等數(shù)學(xué)
https://zhuanlan.zhihu.com/p/36311622
數(shù)學(xué)基礎(chǔ)：線(xiàn)性代數(shù)
https://zhuanlan.zhihu.com/p/36584206
數(shù)學(xué)基礎(chǔ)：概率論與數(shù)理統(tǒng)計(jì)
https://zhuanlan.zhihu.com/p/36584335
機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)資料下載：
1) 機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ).docx
中文版，對(duì)高等數(shù)學(xué)、線(xiàn)性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)三門(mén)課的公式做了總結(jié)。
2) 斯坦福大學(xué)機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ).pdf
原版英文材料，非常全面，建議英語(yǔ)好的同學(xué)直接學(xué)習(xí)這個(gè)材料。
下載鏈接:
https://pan.baidu.com/s/1LaUlrJzy98CG1Wma9FgBtg 提取碼: hktx
國(guó)外經(jīng)典數(shù)學(xué)教材：
相比國(guó)內(nèi)浙大版和同濟(jì)版的數(shù)學(xué)教材更加通俗易懂，深入淺出，便于初學(xué)者更好地奠定數(shù)學(xué)基礎(chǔ)。下載鏈接：
https://blog.csdn.net/Datawhale/article/details/81744961
2
統(tǒng)計(jì)學(xué)
入門(mén)教材：深入淺出統(tǒng)計(jì)學(xué)
進(jìn)階教材：商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)
推薦視頻：可汗學(xué)院統(tǒng)計(jì)學(xué)
http://open.163.com/special/Khan/khstatistics.html
3
編程
入門(mén)人工智能領(lǐng)域，首推Python這門(mén)編程語(yǔ)言。
1) Python安裝：
Python安裝包，我推薦下載Anaconda，Anaconda是一個(gè)用于科學(xué)計(jì)算的Python發(fā)行版，支持 Linux, Mac, Windows系統(tǒng)，提供了包管理與環(huán)境管理的功能，可以很方便地解決多版本Python并存、切換以及各種第三方包安裝問(wèn)題。
下載地址：
https://www.anaconda.com/download/
推薦選Anaconda （python 3.7版本）
IDE：推薦使用pycharm，社區(qū)版免費(fèi)
下載地址：https://www.jetbrains.com/
安裝教程：
Anaconda+Jupyter notebook+Pycharm：
https://zhuanlan.zhihu.com/p/59027692
Ubuntu18.04深度學(xué)習(xí)環(huán)境配置(CUDA9+CUDNN7.4+TensorFlow1.8)：
https://zhuanlan.zhihu.com/p/50302396
2) python入門(mén)的資料推薦
a.廖雪峰python學(xué)習(xí)筆記
https://blog.csdn.net/datawhale/article/category/7779959
b.python入門(mén)筆記
作者李金，這個(gè)是jupyter notebook文件，把python的主要語(yǔ)法演示了一次，值得推薦。下載鏈接:
https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA 提取碼: 2bzh
c.南京大學(xué)python視頻教程
這個(gè)教程非常值得推薦，python主要語(yǔ)法和常用的庫(kù)基本涵蓋了。
查看地址：
https://www.icourse163.org/course/0809NJU004-1001571005?from=study
看完這三個(gè)資料后python基本達(dá)到入門(mén)水平，可以使用scikit-learn等機(jī)器學(xué)習(xí)庫(kù)來(lái)解決機(jī)器學(xué)習(xí)的問(wèn)題了。
3）補(bǔ)充
代碼規(guī)范：
https://zhuanlan.zhihu.com/p/59763076
numpy練習(xí)題：
https://zhuanlan.zhihu.com/p/57872490
pandas練習(xí)題：
https://zhuanlan.zhihu.com/p/56644669
數(shù)據(jù)分析/挖掘
1
數(shù)據(jù)分析的基礎(chǔ)書(shū)籍
《利用python進(jìn)行數(shù)據(jù)分析》
這本書(shū)含有大量的實(shí)踐案例，你將學(xué)會(huì)如何利用各種Python庫(kù)（包括NumPy，Pandas、Matplotlib以及IPython等）高效地解決各式各樣的數(shù)據(jù)分析問(wèn)題。如果把代碼都運(yùn)行一次，基本上就能解決數(shù)據(jù)分析的大部分問(wèn)題了。
2
特征工程
https://blog.csdn.net/Datawhale/article/details/83033869
3
數(shù)據(jù)挖掘項(xiàng)目
https://blog.csdn.net/datawhale/article/details/80847662
機(jī)器學(xué)習(xí)
公開(kāi)課
吳恩達(dá)《Machine Learning》
這絕對(duì)是機(jī)器學(xué)習(xí)入門(mén)的首選課程，沒(méi)有之一！即便你沒(méi)有扎實(shí)的機(jī)器學(xué)習(xí)所需的扎實(shí)的概率論、線(xiàn)性代數(shù)等數(shù)學(xué)基礎(chǔ)，也能輕松上手這門(mén)機(jī)器學(xué)習(xí)入門(mén)課，并體會(huì)到機(jī)器學(xué)習(xí)的無(wú)窮趣味。
課程主頁(yè)：
https://www.Coursera.org/learn/machine-learning
中文視頻：
網(wǎng)易云課堂搬運(yùn)了這門(mén)課，并由黃海廣等人翻譯了中文字幕。
中文筆記及作業(yè)代碼：
https://GitHub.com/fengdu78/Coursera-ML-AndrewNg-Notes
公開(kāi)課
吳恩達(dá) CS229
吳恩達(dá)在斯坦福教授的機(jī)器學(xué)習(xí)課程 CS229 與 吳恩達(dá)在 Coursera 上的《Machine Learning》相似，但是有更多的數(shù)學(xué)要求和公式的推導(dǎo)，難度稍難一些。該課程對(duì)機(jī)器學(xué)習(xí)和統(tǒng)計(jì)模式識(shí)別進(jìn)行了廣泛的介紹。
課程主頁(yè)：
http://cs229.stanford.edu/
中文視頻：
http://open.163.com/special/opencourse/machinelearning.html
中文筆記：
https://kivy-cn.github.io/Stanford-CS-229-CN/#/
速查表：
這份給力的資源貢獻(xiàn)者是一名斯坦福的畢業(yè)生 Shervine Amidi。作者整理了一份超級(jí)詳細(xì)的關(guān)于 CS229的速查表
https://zhuanlan.zhihu.com/p/56534902
作業(yè)代碼：
https://github.com/Sierkinhane/CS229-ML-Implements
公開(kāi)課
林軒田《機(jī)器學(xué)習(xí)基石》
臺(tái)灣大學(xué)林軒田老師的《機(jī)器學(xué)習(xí)基石》課程由淺入深、內(nèi)容全面，基本涵蓋了機(jī)器學(xué)習(xí)領(lǐng)域的很多方面。其作為機(jī)器學(xué)習(xí)的入門(mén)和進(jìn)階資料非常適合。而且林老師的教學(xué)風(fēng)格也很幽默風(fēng)趣，總讓讀者在輕松愉快的氛圍中掌握知識(shí)。這門(mén)課比 Ng 的《Machine Learning》稍難一些，側(cè)重于機(jī)器學(xué)習(xí)理論知識(shí)。
中文視頻：
https://www.bilibili.com/video/av36731342
中文筆記：
https://redstonewill.com/category/ai-notes/lin-ml-foundations/
配套教材
配套書(shū)籍為《Learning From Data》，在線(xiàn)書(shū)籍主頁(yè)：http://amlbook.com/
公開(kāi)課
林軒田《機(jī)器學(xué)習(xí)技法》
《機(jī)器學(xué)習(xí)技法》課程是《機(jī)器學(xué)習(xí)基石》的進(jìn)階課程。主要介紹了機(jī)器學(xué)習(xí)領(lǐng)域經(jīng)典的一些算法，包括支持向量機(jī)、決策樹(shù)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等等。難度要略高于《機(jī)器學(xué)習(xí)基石》，具有很強(qiáng)的實(shí)用性。
中文視頻：
https://www.bilibili.com/video/av36760800
中文筆記：
https://redstonewill.com/category/ai-notes/lin-ml-techniques/
書(shū)籍
《機(jī)器學(xué)習(xí)》
周志華的《機(jī)器學(xué)習(xí)》被大家親切地稱(chēng)為“西瓜書(shū)”。這本書(shū)非常經(jīng)典，講述了機(jī)器學(xué)習(xí)核心數(shù)學(xué)理論和算法，適合有作為學(xué)校的教材或者中階讀者自學(xué)使用，入門(mén)時(shí)學(xué)習(xí)這本書(shū)籍難度稍微偏高了一些。
配合《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》一起學(xué)習(xí)，效果更好！
讀書(shū)筆記：
https://www.cnblogs.com/limitlessun/p/8505647.html#_label0
公式推導(dǎo)：
https://datawhalechina.github.io/pumpkin-book/#/
課后習(xí)題：
https://zhuanlan.zhihu.com/c_1013850291887845376
書(shū)籍
《統(tǒng)計(jì)學(xué)習(xí)方法》
李航的這本《統(tǒng)計(jì)學(xué)習(xí)方法》堪稱(chēng)經(jīng)典，包含更加完備和專(zhuān)業(yè)的機(jī)器學(xué)習(xí)理論知識(shí)，作為夯實(shí)理論非常不錯(cuò)。
講課 PPT：
https://github.com/fengdu78/lihang-code/tree/master/ppt
讀書(shū)筆記：
http://www.cnblogs.com/limitlessun/p/8611103.html
https://github.com/SmirkCao/Lihang
參考筆記：
https://zhuanlan.zhihu.com/p/36378498
代碼實(shí)現(xiàn)：
https://github.com/fengdu78/lihang-code/tree/master/code
書(shū)籍
《Scikit-Learn 與 TensorFlow 機(jī)器學(xué)習(xí)實(shí)用指南》
在經(jīng)過(guò)前面的學(xué)習(xí)之后，這本《Scikit-Learn 與 TensorFlow 機(jī)器學(xué)習(xí)實(shí)用指南》非常適合提升你的機(jī)器學(xué)習(xí)實(shí)戰(zhàn)編程能力。
這本書(shū)分為兩大部分，第一部分介紹機(jī)器學(xué)習(xí)基礎(chǔ)算法，每章都配備 Scikit-Learn 實(shí)操項(xiàng)目；第二部分介紹神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，每章配備 TensorFlow 實(shí)操項(xiàng)目。如果只是機(jī)器學(xué)習(xí)，可先看第一部分的內(nèi)容。
全書(shū)代碼：
https://github.com/ageron/handson-ml
實(shí)戰(zhàn)
Kaggle 比賽
比賽是提升自己機(jī)器學(xué)習(xí)實(shí)戰(zhàn)能力的最有效的方式，首選 Kaggle 比賽。
Kaggle 主頁(yè):
https://www.kaggle.com/
Kaggle 路線(xiàn):
https://github.com/apachecn/kaggle
工具
Scikit-Learn 官方文檔
Scikit-Learn 作為機(jī)器學(xué)習(xí)一個(gè)非常全面的庫(kù)，是一份不可多得的實(shí)戰(zhàn)編程手冊(cè)。
官方文檔：
https://scikit-learn.org/stable/index.html
中文文檔（0.19）：
http://sklearn.apachecn.org/#/
深度學(xué)習(xí)
公開(kāi)課
吳恩達(dá)《Deep Learning》
在吳恩達(dá)開(kāi)設(shè)了機(jī)器學(xué)習(xí)課程之后，發(fā)布的《Deep Learning》課程也備受好評(píng)，吳恩達(dá)老師的課程最大的特點(diǎn)就是將知識(shí)循序漸進(jìn)的傳授給你，是入門(mén)學(xué)習(xí)不可多得良好視頻資料。
整個(gè)專(zhuān)題共包括五門(mén)課程：01.神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)；02.改善深層神經(jīng)網(wǎng)絡(luò)-超參數(shù)調(diào)試、正則化以及優(yōu)化；03.結(jié)構(gòu)化機(jī)器學(xué)習(xí)項(xiàng)目；04.卷積神經(jīng)網(wǎng)絡(luò)；05.序列模型。
課程視頻
網(wǎng)易云課堂：
https://mooc.study.163.com/university/deeplearning_ai#/c
Coursera:
https://www.coursera.org/specializations/deep-learning
課程筆記
之前編寫(xiě)過(guò)吳恩達(dá)老師機(jī)器學(xué)習(xí)個(gè)人筆記黃海廣博士帶領(lǐng)團(tuán)隊(duì)整理了中文筆記：
https://github.com/fengdu78/deeplearning_ai_books
參考論文
吳恩達(dá)老師在課程中提到了很多優(yōu)秀論文，黃海廣博士整理如下：
https://github.com/fengdu78/deeplearning_ai_books/tree/master/參考論文
課程PPT及課后作業(yè)
吳恩達(dá)深度學(xué)習(xí)課程，包含課程的課件、課后作業(yè)和一些其他資料：
https://github.com/stormstone/deeplearning.ai
公開(kāi)課
Fast.ai《程序員深度學(xué)習(xí)實(shí)戰(zhàn)》
說(shuō)到深度學(xué)習(xí)的公開(kāi)課，與吳恩達(dá)《Deep Learning》并駕齊驅(qū)的另一門(mén)公開(kāi)課便是由Fast.ai出品的《程序員深度學(xué)習(xí)實(shí)戰(zhàn)》。這門(mén)課最大的特點(diǎn)便是“自上而下”而不是“自下而上”,是絕佳的通過(guò)實(shí)戰(zhàn)學(xué)習(xí)深度學(xué)習(xí)的課程。
視頻地址
B站地址(英文字幕)：
https://www.bilibili.com/video/av18904696?from=search&seid=10813837536595120136
CSDN地址(2017版中文字幕):
https://edu.csdn.net/course/detail/5192
課程筆記
英文筆記原文：
https://medium.com/@hiromi_suenaga/deep-learning-2-part-1-lesson-1-602f73869197
由ApacheCN組織的中文翻譯：
https://github.com/apachecn/fastai-ml-dl-notes-zh
公開(kāi)課
CS230 Deep Learning
斯坦福的深度學(xué)習(xí)課程CS230在4月2日剛剛開(kāi)課，對(duì)應(yīng)的全套PPT也隨之上線(xiàn)。從內(nèi)容來(lái)看，今年的課程與去年的差別不大，涵蓋了CNNs, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization 等深度學(xué)習(xí)的基本模型，涉及醫(yī)療、自動(dòng)駕駛、手語(yǔ)識(shí)別、音樂(lè)生成和自然語(yǔ)言處理等領(lǐng)域。
Datawhale整理了該門(mén)課程的詳細(xì)介紹及參考資料:
吳恩達(dá)CS230深度學(xué)習(xí)開(kāi)課了！視頻配套PPT應(yīng)有盡有
書(shū)籍
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) - 復(fù)旦邱錫鵬
本書(shū)是入門(mén)深度學(xué)習(xí)領(lǐng)域的極佳教材，主要介紹了神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)中的基礎(chǔ)知識(shí)、主要模型（前饋網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)等）以及在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的應(yīng)用。
復(fù)旦教授邱錫鵬開(kāi)源發(fā)布《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》
書(shū)籍
《深度學(xué)習(xí)》
完成以上學(xué)習(xí)后，想要更加系統(tǒng)的建立深度學(xué)習(xí)的知識(shí)體系，閱讀《深度學(xué)習(xí)》準(zhǔn)沒(méi)錯(cuò)。該書(shū)從淺入深介紹了基礎(chǔ)數(shù)學(xué)知識(shí)、機(jī)器學(xué)習(xí)經(jīng)驗(yàn)以及現(xiàn)階段深度學(xué)習(xí)的理論和發(fā)展，它能幫助人工智能技術(shù)愛(ài)好者和從業(yè)人員在三位專(zhuān)家學(xué)者的思維帶領(lǐng)下全方位了解深度學(xué)習(xí)。
書(shū)籍介紹
《深度學(xué)習(xí)》通常又被稱(chēng)為花書(shū)，深度學(xué)習(xí)領(lǐng)域最經(jīng)典的暢銷(xiāo)書(shū)。由全球知名的三位專(zhuān)家IanGoodfellow、YoshuaBengio和AaronCourville撰寫(xiě)，是深度學(xué)習(xí)領(lǐng)域奠基性的經(jīng)典教材。該書(shū)被大眾尊稱(chēng)為“AI圣經(jīng)”。
在線(xiàn)閱讀
該書(shū)由眾多網(wǎng)友眾包翻譯，電子版在以下地址獲得：
https://github.com/exacity/deeplearningbook-chinese
書(shū)籍
《深度學(xué)習(xí) 500 問(wèn)》
當(dāng)你看完了所有的視頻，研習(xí)了AI圣經(jīng)，一定充滿(mǎn)了滿(mǎn)腦子問(wèn)號(hào)，此時(shí)不如來(lái)深度學(xué)習(xí)面試中常見(jiàn)的500個(gè)問(wèn)題。
書(shū)籍介紹
DeepLearning-500-questions，作者是川大的一名優(yōu)秀畢業(yè)生談繼勇。該項(xiàng)目以深度學(xué)習(xí)面試問(wèn)答形式，收集了 500 個(gè)問(wèn)題和答案。內(nèi)容涉及了常用的概率知識(shí)、線(xiàn)性代數(shù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等熱點(diǎn)問(wèn)題，該書(shū)目前尚未完結(jié)，卻已經(jīng)收獲了Github 2.4w stars。
項(xiàng)目地址：
https://github.com/scutan90/DeepLearning-500-questions
工具
TensorFlow 官方文檔
學(xué)深度學(xué)習(xí)一定離不開(kāi)TensorFlow
官方文檔：
https://www.tensorflow.org/api_docs/python/tf
中文文檔：
https://github.com/jikexueyuanwiki/tensorflow-zh
工具
PyTorch官方文檔
PyTorch是學(xué)深度學(xué)習(xí)的另一個(gè)主流框架
官方文檔：
https://pytorch.org/docs/stable/index.html
中文文檔(版本0.3)：
https://github.com/apachecn/pytorch-doc-zh
強(qiáng)化學(xué)習(xí)
公開(kāi)課
Reinforcement Learning-David Silver
與吳恩達(dá)的課程對(duì)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)初學(xué)者的意義相同，David Silver的這門(mén)課程絕對(duì)是大多數(shù)人學(xué)習(xí)強(qiáng)化學(xué)習(xí)必選的課程。
課程從淺到深，把強(qiáng)化學(xué)習(xí)的內(nèi)容娓娓道來(lái)，極其詳盡。不過(guò)由于強(qiáng)化學(xué)習(xí)本身的難度，聽(tīng)講這門(mén)課還是有一定的門(mén)檻，建議還是在大致了解這個(gè)領(lǐng)域之后觀看該視頻學(xué)習(xí)效果更佳，更容易找到學(xué)習(xí)的重點(diǎn)。
視頻地址
B站地址(中文字幕)：
https://www.bilibili.com/video/av45357759?from=search&seid=9547815852611563503
課程原地址：
https://www.youtube.com/watch?v=2pWv7GOvuf0
課程資料
課程PPT：
http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
課程筆記：
https://www.zhihu.com/people/qqiang00/posts
公開(kāi)課
李宏毅《深度強(qiáng)化學(xué)習(xí)》
David Silver的課程雖然內(nèi)容詳盡，但前沿的很多內(nèi)容都沒(méi)有被包括在內(nèi)，這時(shí)，臺(tái)大李宏毅的《深度強(qiáng)化學(xué)習(xí)》就是學(xué)習(xí)前沿動(dòng)態(tài)的不二之選。
視頻地址
B站地址(中文字幕)：
https://www.bilibili.com/video/av24724071?from=search&seid=9547815852611563503
課程原地址：
https://www.youtube.com/watch?v=2pWv7GOvuf0
課程資料
課程PPT：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html
課程筆記：
https://blog.csdn.net/cindy_1102/article/details/87905272
前沿Paper
1
Arxiv
Arxiv Stats
Arxiv 機(jī)器學(xué)習(xí)最新論文檢索主頁(yè)地址：
https://arxiv.org/list/stat.ML/recent?ref=bestofml.com
Arxiv Sanity Preserver
Andrej Karpathy 開(kāi)發(fā)了 Arxiv Sanity Preserver，幫助分類(lèi)、搜索和過(guò)濾特征
主頁(yè)地址：
http://www.arxiv-sanity.com/?ref=bestofml.com
2
Papers with Code
Papers with Code(Browse state-of-the-art)
這個(gè)網(wǎng)站叫做 Browse state-of-the-art。它將 ArXiv 上的最新深度學(xué)習(xí)論文與 GitHub 上的開(kāi)源代碼聯(lián)系起來(lái)。該項(xiàng)目目前包含了 651 個(gè)排行榜，1016 個(gè)深度學(xué)習(xí)任務(wù)，795 個(gè)數(shù)據(jù)集，以及重磅的 10257 個(gè)含復(fù)現(xiàn)代碼的優(yōu)秀論文。簡(jiǎn)直就是一個(gè)尋找論文和代碼的利器。它將 1016 個(gè)深度學(xué)習(xí)任務(wù)分成了 16 大類(lèi)，涉及了深度學(xué)習(xí)的各個(gè)方面。
主頁(yè)地址：
https://paperswithcode.com/sota
舉兩個(gè)例子：
CV：
https://paperswithcode.com/area/computer-vision
NLP：
https://paperswithcode.com/area/natural-language-processing
Papers with Code(Sorted by stars)
這份資源收集了 AI 領(lǐng)域從 2013 - 2018 年所有的論文，并按照在 GitHub 上的標(biāo)星數(shù)量進(jìn)行排序。
GitHub 項(xiàng)目地址：
https://github.com/zziz/pwc
3
Deep Learning Papers 閱讀路線(xiàn)
如果你是深度學(xué)習(xí)領(lǐng)域的新手，你可能會(huì)遇到的第一個(gè)問(wèn)題是“我應(yīng)該從哪篇論文開(kāi)始閱讀？”下面是一個(gè)深入學(xué)習(xí)論文的閱讀路線(xiàn)圖！
GitHub 項(xiàng)目地址：
https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap
這份深度學(xué)習(xí)論文閱讀路線(xiàn)分為三大塊：
1 Deep Learning History and Basics
2 Deep Learning Method
3 Applications
4
Deep Learning Object Detection
目標(biāo)檢測(cè)（Object Detection）是深度學(xué)習(xí) CV 領(lǐng)域的一個(gè)核心研究領(lǐng)域和重要分支?？v觀 2013 年到 2019 年，從最早的
R-CNN
、Fast R-CNN 到后來(lái)的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型層出不窮，性能也越來(lái)越好！
本資源對(duì)目標(biāo)檢測(cè)近幾年的發(fā)展和相關(guān)論文做出一份系統(tǒng)介紹，總結(jié)一份超全的文獻(xiàn) paper 列表。
GitHub 項(xiàng)目地址：
https://github.com/hoya012/deep_learning_object_detection
5
知名會(huì)議
會(huì)議
NeurIPS：https://nips.cc/
ICML：https://icml.cc/
ICLR：https://iclr.cc/
AAAI：https://aaai.org/Conferences/AAAI-19/
IJCAI：https://www.ijcai.org/
UAI：http://www.auai.org/uai2019/index.php
計(jì)算機(jī)視覺(jué)：
CVPR：http://cvpr2019.thecvf.com/
ECCV：https://eccv2018.org/program/main-conference/
ICCV：http://iccv2019.thecvf.com/
自然語(yǔ)言處理：
ACL：http://www.aclcargo.com/
EMNLP：https://www.aclweb.org/portal/content/emnlp-2018
NAACL：https://naacl2019.org/
知名期刊:
JAIR：https://www.jair.org/index.php/jair
JMLR：http://www.jmlr.org/
其它
機(jī)器人方面，有 CoRL（學(xué)習(xí)）、ICAPS（規(guī)劃，包括但不限于機(jī)器人）、ICRA、IROS、RSS；
對(duì)于更理論性的研究，有 AISTATS、COLT、KDD。
理論應(yīng)用
自然語(yǔ)言處理
1
NLP是什么
自然語(yǔ)言處理（NLP，Natural Language Processing）是研究計(jì)算機(jī)處理人類(lèi)語(yǔ)言的一門(mén)技術(shù)，目的是彌補(bǔ)人類(lèi)交流（自然語(yǔ)言）和計(jì)算機(jī)理解（機(jī)器語(yǔ)言）之間的差距。NLP包含句法語(yǔ)義分析、信息抽取、文本挖掘、
機(jī)器翻譯
、信息檢索、問(wèn)答系統(tǒng)
和對(duì)話(huà)系統(tǒng)等領(lǐng)域。
2
課程推薦
CS224n 斯坦福深度自然語(yǔ)言處理課
17版中文字幕：
https://www.bilibili.com/video/av41393758/?p=1
課程筆記：
http://www.hankcs.com/?s=CS224n筆記
2019版課程主頁(yè)：
http://web.stanford.edu/class/cs224n/
自然語(yǔ)言處理 - Dan Jurafsky 和 Chris Manning
B站英文字幕版：
https://www.bilibili.com/video/av35805262/
學(xué)術(shù)激流網(wǎng)：
http://academictorrents.com/details/d2c8f8f1651740520b7dfab23438d89bc8c0c0ab
3
書(shū)籍推薦
Python自然語(yǔ)言處理
入門(mén)讀物，整本書(shū)不僅涉及了語(yǔ)料庫(kù)的操作，也對(duì)傳統(tǒng)的基于規(guī)則的方法有所涉及。全書(shū)包括了分詞（tokenization）、詞性標(biāo)注（POS）、語(yǔ)塊（Chunk）標(biāo)注、句法剖析與語(yǔ)義剖析等方面，是nlp中不錯(cuò)的一本實(shí)用教程。
自然語(yǔ)言處理綜論
By Daniel Jurafsky和James H. Martin
本書(shū)十分權(quán)威，是經(jīng)典的NLP教科書(shū)，涵蓋了經(jīng)典自然語(yǔ)言處理、統(tǒng)計(jì)自然語(yǔ)言處理、語(yǔ)音識(shí)別和計(jì)算語(yǔ)言學(xué)等方面。
統(tǒng)計(jì)自然語(yǔ)言處理基礎(chǔ)
By Chris Manning和HinrichSchütze
更高級(jí)的統(tǒng)計(jì)NLP方法，在統(tǒng)計(jì)基本部分和n元語(yǔ)法部分介紹得都很不錯(cuò)。
4
博客推薦
我愛(ài)自然語(yǔ)言處理
地址：http://www.52nlp.cn/
TFIDF、文檔相似度等等在這個(gè)網(wǎng)站上都有通俗易懂的解釋
語(yǔ)言日志博客（Mark Liberman）
地址：
http://languagelog.ldc.upenn.edu/nll/
natural language processing blog
地址：https://nlpers.blogspot.com/
美國(guó)Hal Daumé III維護(hù)的一個(gè)natural language processing的 博客，經(jīng)常評(píng)論最新學(xué)術(shù)動(dòng)態(tài)，值得關(guān)注。有關(guān)于ACL、NAACL等學(xué)術(shù)會(huì)議的參會(huì)感想和對(duì)論文的點(diǎn)評(píng)
5
項(xiàng)目推薦
基于LSTM的中文問(wèn)答系統(tǒng)
https://github.com/S-H-Y-GitHub/QA
基于RNN的文本生成器
https://github.com/karpathy/char-rnn
基于char-rnn的汪峰歌詞生成器
https://github.com/phunterlau/wangfeng-rnn
用RNN生成手寫(xiě)數(shù)字
https://github.com/skaae/lasagne-draw
6
開(kāi)源NLP工具包
中文NLP相關(guān)：https://github.com/crownpku/Awesome-Chinese-NLP
英文NLP相關(guān)：
NLTK: http://www.nltk.org/
TextBlob: http://textblob.readthedocs.org/en/dev/
Gensim: http://radimrehurek.com/gensim/
Pattern: http://www.clips.ua.ac.be/pattern
Spacy: http://spacy.io
Orange: http://orange.biolab.si/features/
Pineapple: https://github.com/proycon/pynlpl
7
相關(guān)論文
100 Must-Read NLP Papers
https://github.com/mhagiwara/100-nlp-papers
計(jì)算機(jī)視覺(jué)
1
計(jì)算機(jī)視覺(jué)的應(yīng)用
計(jì)算機(jī)視覺(jué)的應(yīng)用
無(wú)人駕駛
無(wú)人安防
人臉識(shí)別
車(chē)輛車(chē)牌識(shí)別
以圖搜圖
VR/AR
3D重構(gòu)
無(wú)人機(jī)
醫(yī)學(xué)圖像分析
其他
2
課程推薦
Stanford CS223B
比較適合基礎(chǔ)，適合剛剛?cè)腴T(mén)的同學(xué)，跟深度學(xué)習(xí)的結(jié)合相對(duì)來(lái)說(shuō)會(huì)少一點(diǎn)，不會(huì)整門(mén)課講深度學(xué)習(xí)，而是主要講計(jì)算機(jī)視覺(jué)，方方面面都會(huì)講到
李飛飛：CS231n課程：
https://mp.weixin.qq.com/s/-NaDpXsxvu4DpXqVNXIAvQ
3
書(shū)籍推薦
1.入門(mén)學(xué)習(xí)：
《Computer Vision：Models, Learning and Inference》
2.經(jīng)典權(quán)威的參考資料：
《Computer Vision：Algorithms and Applications》
3.理論實(shí)踐：
《OpenCV3編程入門(mén)》
推薦系統(tǒng)
1
推薦系統(tǒng)是什么
推薦系統(tǒng)就是自動(dòng)聯(lián)系用戶(hù)和物品的一種工具，它能夠在信息過(guò)載的環(huán)境中幫助用戶(hù)發(fā)現(xiàn)令他們感興趣的信息，也能將信息推送給對(duì)它們感興趣的用戶(hù)。推薦系統(tǒng)屬于資訊過(guò)濾的一種應(yīng)用。
2
推薦課程
推薦系統(tǒng)專(zhuān)項(xiàng)課程《Recommender Systems Specialization》
這個(gè)系列由4門(mén)子課程和1門(mén)畢業(yè)項(xiàng)目課程組成，包括推薦系統(tǒng)導(dǎo)論，最近鄰協(xié)同過(guò)濾，推薦系統(tǒng)評(píng)價(jià)，矩陣分解和高級(jí)技術(shù)等。
觀看地址：
https://www.coursera.org/specializations/recommender-systems
3
書(shū)籍推薦
《推薦系統(tǒng)實(shí)踐》（項(xiàng)亮 著）
《推薦系統(tǒng)》（Dietmar Jannach等 著，蔣凡 譯）
《用戶(hù)網(wǎng)絡(luò)行為畫(huà)像》（牛溫佳等 著）
《Recommender Systems Handbook》（Paul B·Kantor等 著）
4
算法庫(kù)
LibRec
LibRec是一個(gè)Java版本的覆蓋了70余個(gè)各類(lèi)型推薦算法的推薦系統(tǒng)開(kāi)源算法庫(kù)，由國(guó)內(nèi)的推薦系統(tǒng)大牛郭貴冰創(chuàng)辦，目前已更新到2.0版本，它有效地解決了評(píng)分預(yù)測(cè)和物品推薦兩大關(guān)鍵的推薦問(wèn)題。
項(xiàng)目地址: https://github.com/guoguibing/librec
官網(wǎng)地址： https://www.librec.net/
LibMF
C++版本開(kāi)源推薦系統(tǒng)，主要實(shí)現(xiàn)了基于矩陣分解的推薦系統(tǒng)。針對(duì)SGD（隨即梯度下降）優(yōu)化方法在并行計(jì)算中存在的 locking problem 和 memory discontinuity問(wèn)題，提出了一種 矩陣分解的高效算法FPSGD（Fast Parallel SGD），根據(jù)計(jì)算節(jié)點(diǎn)的個(gè)數(shù)來(lái)劃分評(píng)分矩陣block，并分配計(jì)算節(jié)點(diǎn)。
項(xiàng)目地址：
http://www.csie.ntu.edu.tw/~cjlin/libmf/
SurPRISE
一個(gè)Python版本的開(kāi)源推薦系統(tǒng)，有多種經(jīng)典推薦算法
項(xiàng)目地址：http://surpriselib.com/
Neural Collaborative Filtering
神經(jīng)協(xié)同過(guò)濾推薦算法的Python實(shí)現(xiàn)
項(xiàng)目地址：
https://github.com/hexiangnan/neural_collaborative_filtering
Crab
基于Python開(kāi)發(fā)的開(kāi)源推薦軟件，其中實(shí)現(xiàn)有item和user的協(xié)同過(guò)濾
項(xiàng)目地址：http://muricoca.github.io/crab/
5
常用數(shù)據(jù)集
MovieLen
https://grouplens.org/datasets/movielens/
MovieLens數(shù)據(jù)集中，用戶(hù)對(duì)自己看過(guò)的電影進(jìn)行評(píng)分，分值為1~5。MovieLens包括兩個(gè)不同大小的庫(kù)，適用于不同規(guī)模的算法。小規(guī)模的庫(kù)是943個(gè)獨(dú)立用戶(hù)對(duì)1 682部電影作的10 000次評(píng)分的數(shù)據(jù)；大規(guī)模的庫(kù)是6 040個(gè)獨(dú)立用戶(hù)對(duì)3 900部電影作的大約100萬(wàn)次評(píng)分。適用于傳統(tǒng)的推薦任務(wù)
Douban
https://www.cse.cuhk.edu.hk/irwin.king.new/pub/data/douban
Douban是豆瓣的匿名數(shù)據(jù)集，它包含了12萬(wàn)用戶(hù)和5萬(wàn)條電影數(shù)據(jù)，是用戶(hù)對(duì)電影的評(píng)分信息和用戶(hù)間的社交信息，適用于社會(huì)化推薦任務(wù)。
BookCrossing
http://www2.informatik.uni-freiburg.de/~cziegler/BX/
這個(gè)數(shù)據(jù)集是網(wǎng)上的Book-Crossing圖書(shū)社區(qū)的278858個(gè)用戶(hù)對(duì)271379本書(shū)進(jìn)行的評(píng)分，包括顯式和隱式的評(píng)分。這些用戶(hù)的年齡等人口統(tǒng)計(jì)學(xué)屬性(demographic feature)都以匿名的形式保存并供分析。這個(gè)數(shù)據(jù)集是由Cai-Nicolas Ziegler使用爬蟲(chóng)程序在2004年從Book-Crossing圖書(shū)社區(qū)上采集的。
6
推薦論文
經(jīng)典必讀論文整理，包括綜述文章、傳統(tǒng)經(jīng)典推薦文章、社會(huì)化推薦文章、基于深度學(xué)習(xí)的推薦系統(tǒng)文章、專(zhuān)門(mén)用于解決冷啟動(dòng)的文章、POI相關(guān)的論文、利用哈希技術(shù)來(lái)加速推薦的文章以及推薦系統(tǒng)中經(jīng)典的探索與利用問(wèn)題的相關(guān)文章等。
項(xiàng)目地址:
https://github.com/hongleizhang/RSPapers
7
推薦項(xiàng)目
1.今日頭條推薦系統(tǒng)機(jī)制介紹，面向內(nèi)容創(chuàng)作者。分享人：項(xiàng)亮，今日頭條推薦算法架構(gòu)師:
https://v.qq.com/x/page/f0800qavik7.html?
2. 3分鐘了解今日頭條推薦系統(tǒng)原理
https://v.qq.com/x/page/g05349lb80j.html?
3.facebook是如何為十億人推薦好友的
https://code.facebook.com/posts/861999383875667/recommending-items-to-more-than-a-billion-people/
4.Netflix的個(gè)性化和推薦系統(tǒng)架構(gòu)
http://techblog.netflix.com/2013/03/system-architectures-for.html
風(fēng)控模型（評(píng)分卡模型）
1
評(píng)分卡模型簡(jiǎn)介
評(píng)分卡模型時(shí)在銀行、互金等公司與借貸相關(guān)業(yè)務(wù)中最常見(jiàn)也是最重要的模型之一。簡(jiǎn)而言之它的作用就是對(duì)客戶(hù)進(jìn)行打分，來(lái)對(duì)客戶(hù)是否優(yōu)質(zhì)進(jìn)行評(píng)判。
根據(jù)評(píng)分卡模型應(yīng)用的業(yè)務(wù)階段不用，評(píng)分卡模型主要分為三大類(lèi)：A卡（Application score card）申請(qǐng)?jiān)u分卡、B卡（Behavior score card）行為評(píng)分卡、C卡（Collection score card）催收評(píng)分卡。其中申請(qǐng)?jiān)u分卡用于貸前，行為評(píng)分卡用于貸中，催收評(píng)分卡用于貸后，這三種評(píng)分卡在我們的信貸業(yè)務(wù)的整個(gè)生命周期都至關(guān)重要。
2
推薦書(shū)籍
《信用風(fēng)險(xiǎn)評(píng)分卡研究——基于SAS的開(kāi)發(fā)與實(shí)施》
3
評(píng)分卡模型建模過(guò)程
樣本選取
確定訓(xùn)練樣本、測(cè)試樣本的觀察窗（特征的時(shí)間跨度）與表現(xiàn)窗（標(biāo)簽的時(shí)間跨度），且樣本的標(biāo)簽定義是什么？一般情況下風(fēng)險(xiǎn)評(píng)分卡的標(biāo)簽都是考慮客戶(hù)某一段時(shí)間內(nèi)的延滯情況。
特征準(zhǔn)備
原始特征、衍生變量
數(shù)據(jù)清洗
根據(jù)業(yè)務(wù)需求對(duì)缺失值或異常值等進(jìn)行處理
特征篩選
根據(jù)特征的IV值（特征對(duì)模型的貢獻(xiàn)度）、PSI（特征的穩(wěn)定性）來(lái)進(jìn)行特征篩選，IV值越大越好（但是一個(gè)特征的IV值超過(guò)一定閾值可能要考慮是否用到未來(lái)數(shù)據(jù)），PSI越小越好（一般建模時(shí)取特征的PSI小于等于0.01）
對(duì)特征進(jìn)行WOE轉(zhuǎn)換
即對(duì)特征進(jìn)行分箱操作，注意在進(jìn)行WOE轉(zhuǎn)換時(shí)要注重特征的可解釋性
建立模型
在建立模型過(guò)程中可根據(jù)模型和變量的統(tǒng)計(jì)量判斷模型中包含和不包含每個(gè)變量時(shí)的模型質(zhì)量來(lái)進(jìn)行變量的二次篩選。
評(píng)分指標(biāo)
評(píng)分卡模型一般關(guān)注的指標(biāo)是KS值（衡量的是好壞樣本累計(jì)分部之間的差值）、模型的PSI(即模型整體的穩(wěn)定性）、AUC值等。
知識(shí)圖譜
1
知識(shí)圖譜是什么
知識(shí)圖譜是一種結(jié)構(gòu)化數(shù)據(jù)的處理方法，它涉及知識(shí)的提取、表示、存儲(chǔ)、檢索等一系列技術(shù)。從淵源上講，它是知識(shí)表示與推理、數(shù)據(jù)庫(kù)、信息檢索、自然語(yǔ)言處理等多種技術(shù)發(fā)展的融合。
2
推薦資料
為什么需要知識(shí)圖譜？什么是知識(shí)圖譜？——KG的前世今生
https://zhuanlan.zhihu.com/p/31726910
什么是知識(shí)圖譜？
https://zhuanlan.zhihu.com/p/34393554
智能搜索時(shí)代：知識(shí)圖譜有何價(jià)值？
https://zhuanlan.zhihu.com/p/35982177?from=1084395010&wm=9848_0009&weiboauthoruid=5249689143
百度王海峰：知識(shí)圖譜是 AI 的基石
http://www.infoq.com/cn/news/2017/11/KnOWLedge-map-cornerstone-AI#0-tsina-1-5001-397232819ff9a47a7b7e80a40613cfe1
譯文|從知識(shí)抽取到RDF知識(shí)圖譜可視化
http://rdc.hundsun.com/portal/article/907.html?hmsr=toutiao.io&utm_medium=toutiao.io&utm_source=toutiao.io
3
主要內(nèi)容
3.1 知識(shí)提取
構(gòu)建kg首先需要解決的是數(shù)據(jù)，知識(shí)提取是要解決結(jié)構(gòu)化數(shù)據(jù)生成的問(wèn)題。我們可以用自然語(yǔ)言處理的方法，也可以利用規(guī)則。
3.1.1 使用規(guī)則
正則表達(dá)式
正則表達(dá)式（Regular Expression， regex）是字符串處 理的基本功。數(shù)據(jù)爬取、數(shù)據(jù)清洗、實(shí)體提取、關(guān)系提取，都離不開(kāi)regex。
推薦資料入門(mén)：
精通正則表達(dá)式
regexper 可視化：例 [a-z]*(\\d{4}(\\D+))
pythex 在線(xiàn)測(cè)試正則表達(dá)式：
http://pythex.org/
推薦資料進(jìn)階：
re2 ：
Python wrapper for Google\'s RE2 using Cython
https://pypi.python.org/pypi/re2/
Parsley ：更人性化的正則表達(dá)語(yǔ)法
http://parsley.readthedocs.io/en/latest/tutorial.html
中文分詞和詞性標(biāo)注
分詞也是后續(xù)所有處理的基礎(chǔ)，詞性（Part of Speech, POS）就是中學(xué)大家學(xué)過(guò)的動(dòng)詞、名詞、形容詞等等的詞的分類(lèi)。一般的分詞工具都會(huì)有詞性標(biāo)注的選項(xiàng)。
推薦資料入門(mén)：
jieba 中文分詞包
https://github.com/fxsjy/jieba
中文詞性標(biāo)記集
https://github.com/memect/kg-beijing/wiki/
推薦資料進(jìn)階：
genius 采用 CRF條件隨機(jī)場(chǎng)算法
https://github.com/duanhongyi/genius
Stanford CoreNLP分詞
https://blog.csdn.net/guolindonggld/article/details/72795022
命名實(shí)體識(shí)別
命名實(shí)體識(shí)別（NER）是信息提取應(yīng)用領(lǐng)域的重要基礎(chǔ)工具，一般來(lái)說(shuō)，命名實(shí)體識(shí)別的任務(wù)就是識(shí)別出待處理文本中三大類(lèi)（實(shí)體類(lèi)、時(shí)間類(lèi)和數(shù)字類(lèi)）、七小類(lèi)（人名、機(jī)構(gòu)名、地名、時(shí)間、日期、貨幣和百分比）命名實(shí)體。
推薦資料：
Stanford CoreNLP 進(jìn)行中文命名實(shí)體識(shí)別
https://blog.csdn.net/guolindonggld/article/details/72795022
3.1.2 使用深度學(xué)習(xí)
使用自然語(yǔ)言處理的方法，一般是給定schema，從非結(jié)構(gòu)化數(shù)據(jù)中抽取特定領(lǐng)域的三元組（spo），如最近百度舉辦的比賽就是使用DL模型進(jìn)行信息抽取。
序列標(biāo)注
使用序列生出模型，主要是標(biāo)記出三元組中subject及object的起始位置，從而抽取信息。
推薦資料：
序列標(biāo)注問(wèn)題
https://www.cnblogs.com/jiangxinyang/p/9368482.html
seq2seq
使用seq2seq端到端的模型，主要借鑒文本摘要的思想，將三元組看成是非結(jié)構(gòu)化文本的摘要，從而進(jìn)行抽取，其中還涉及Attention機(jī)制。
推薦資料：
seq2seq詳解
https://blog.csdn.net/irving_zhang/article/details/78889364
詳解從Seq2Seq模型到Attention模型
https://caicai.science/2018/10/06/attention總覽/
3.2 知識(shí)表示
知識(shí)表示（Knowledge Representation，KR，也譯為知識(shí)表現(xiàn)）是研究如何將結(jié)構(gòu)化數(shù)據(jù)組織，以便于機(jī)器處理和人的理解的方法。
需要熟悉下面內(nèi)容：
JSON和YAML
json庫(kù)：
https://docs.python.org/2/library/json.html
PyYAML: 是Python里的Yaml處理庫(kù)
http://pyyaml.org/wiki/PyYAML
RDF和OWL語(yǔ)義：
http://blog.memect.cn/?p=871
JSON-LD
主頁(yè)：http://json-ld.org/
3.3 知識(shí)存儲(chǔ)
需要熟悉常見(jiàn)的圖數(shù)據(jù)庫(kù)
a.知識(shí)鏈接的方式：字符串、外鍵、URI
b.PostgreSQL及其JSON擴(kuò)展
Psycopg包操作PostgreSQL
http://initd.org/psycopg/docs/
c.圖數(shù)據(jù)庫(kù) Neo4j和OrientDB
1.Neo4j的Python接口 https://neo4j.com/developer/python/
2.OrientDB：http://orientdb.com/orientdb/
d.RDF數(shù)據(jù)庫(kù)Stardog
Stardog官網(wǎng)：http://stardog.com/
3.4 知識(shí)檢索
需要熟悉常見(jiàn)的檢索技術(shù)
ElasticSearch教程：
http://joelabrahamsson.com/elasticsearch-101/
4
相關(guān)術(shù)語(yǔ)及技術(shù)路線(xiàn)
本體：
https://www.zhihu.com/question/19558514
RDF：
https://www.w3.org/RDF/
Apache Jena：
https://jena.apache.org/
D2RQ：
http://d2rq.org/getting-started
4.1 Protege構(gòu)建本體系列
protege：
https://protege.stanford.edu/
protege使用：
https://zhuanlan.zhihu.com/p/32389370
4.2 開(kāi)發(fā)語(yǔ)言
python或java
4.3 圖數(shù)據(jù)庫(kù)技術(shù)
Neo4j：https://neo4j.com/
AllegroGraph：https://franz.com/agraph/allegrograph/
4.4 可視化技術(shù)
d3.js：https://d3js.org/
Cytoscape.js：http://js.cytoscape.org/
4.5 分詞技術(shù)
jieba：https://github.com/fxsjy/jieba
hanlp：https://github.com/hankcs/HanLP
5
項(xiàng)目實(shí)戰(zhàn)
基于知識(shí)圖譜的問(wèn)答：
https://github.com/kangzhun/KnowledgeGraph-QA-Service
Agriculture_KnowledgeGraph：
https://github.com/qq547276542/Agriculture_KnowledgeGraph
貢獻(xiàn)平臺(tái)
由知名開(kāi)源平臺(tái)，AI技術(shù)平臺(tái)以及領(lǐng)域?qū)＜遥篈pacheCN，Datawhale，AI有道和黃海廣博士聯(lián)合整理貢獻(xiàn)：
1.ApacheCN：片刻，李翔宇，飛龍，王翔
2.Datawhale：范晶晶，馬晶敏，李碧涵，李福，光城，居居，康兵兵，鄭家豪
3.AI有道：紅色石頭
4.黃海廣博士
本文由機(jī)器之心轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系原公眾號(hào)獲得授權(quán)。
?------------------------------------------------
加入機(jī)器之心（全職記者 / 實(shí)習(xí)生）：hr@jiqizhixin.com
投稿或?qū)で髨?bào)道：content@jiqizhixin.com
廣告 & 商務(wù)合作：bd@jiqizhixin.com
以上就是關(guān)于pos機(jī)刷卡顯示英文,完備的 AI 學(xué)習(xí)路線(xiàn)的知識(shí)，后面我們會(huì)繼續(xù)為大家整理關(guān)于pos機(jī)刷卡顯示英文的知識(shí)，希望能夠幫助到大家！
