Question

有趣的机器学习

有趣的机器学习 里的前半部分囊括了近些年来比较流行的机器学习方法的介绍，每段介绍简洁精炼，没有废话，是快速入门的好途径. 同时，后半部分的内容注重在如何提升机器学习的效率，调整机器学习的模式等，适合于已经入门机器学习，却还没有找到好方法去运用机器学习的同学们。

介绍机器学习模式，使用这些模式的方法技巧都将在这个简介系列中概括得通俗易懂。

强化学习 Reinforcement Learn

强化学习 Reinforcement Learning 是机器学习大家族中重要一员. 他的学习方式就如一个小 baby. 从对身边的环境陌生，通过不断与环境接触，从环境中学习规律，从而熟悉适应了环境. 实现强化学习的方式有很多，比如 Q-learning, Sarsa 等，我们都会一步步提到. 我们也会基于可视化的模拟，来观看计算机是如何学习的。

强化学习 教程 包括: 各种强化学习的方法。

Tensorflow

Tensorflow 是由 Google 团队开发的神经网络模块，正因为他的出生，也受到了极大的关注，而且短短几年间，就已经有很多次版本的更新. 这一个 Tensorflow 教程 从 Tensorflow 的基础结构开始讲解，直到能手把手教你建立自己的第一个神经网络. 其中，我们会不断用例子进行巩固. 比如学会用 Tensorflow 搭建卷积神经网络 CNN 来识别图片，搭建循环神经网络 RNN 来预测不断变化的曲线. 学会使用 Tensorboard 可视化你所搭建的神经网络等等。

结合理论和实践，这一套 Tensorflow 的教程是入门到高级的最佳途径了。

PyTorch

PyTorch 的开发/使用团队包括 Facebook, NVIDIA, Twitter 等，都是大品牌，算得上是 Tensorflow 的一大竞争对手. PyTorch 使用起来简单明快，它和 Tensorflow 等静态图计算的模块相比，最大的优势就是，它的计算方式都是动态的，这样的形式在 RNN 等模式中有着明显的优势. 不过各家有各家的优势/劣势，我们要做的，就是选择一个自己感兴趣的模块，死命地学，学好一个就够用了。

PyTorch 教程 我们会从初级的使用方法开始介绍，然后一步步往高级的神经网络形式走，神经网络的基础一个也不落下。

Theano

Theano 的使用方法和 Tensorflow 类似，甚至可以说 Theano 是 Tensorflow 的学长了. 不过因为它出生在学术的环境中，所以以前的大部分科研人员一直也在用它. 相比 Tensorflow, 它已经是一个很完善的神经网络模块了. 而且集成了 Windows 的兼容性 (Tensorflow 暂不支持 Windows), 所以, Theano 也是不二的学习选择。

Theano 教程 和 Tensorflow 一样，也是从初级的 Theano 代码格式开始讲解，先理解底层结构，然后再开始运用。

Keras

Keras 是建立在 Tensorflow 和 Theano 之上的更高级的神经网络模块，所以它可以兼容 Windows, Linux 和 MacOS 系统. 而且使用 Keras 来创建神经网络会要比 Tensorflow 和 Theano 来的简单，因为他优化了很多语句. 所以，如果图一个快，容易，那选择学习 keras 准没错。 Keras 教程 包含了很多内容，是以例子为主体. 对每一种神经网络形式都有例子为基础. 在 keras 教程中，不会再涉及到神经网络的基本知识，所以这是一个比较适合已经有一定 Theano 或 Tensorflow 经验的同学们学习。

在 Keras 教程中，会要介绍如何搭建普通的分类和回归神经网络, CNN, RNN, Autoencoder 等。

SciKit-Learn

SciKit-Learn 又称 sklearn, 是众多机器学习模块中比较优秀的. 因为他汇集了太多太多机器学习的方法. 比如各种监督学习，非监督学习，半监督学习的方法. 所以说, sklearn 就像机器学习模块中的瑞士军刀. 在 sklearn 中，你总能找到一个适合你的机器学习方法。

sklearn 教程 包括: 介绍基本使用，如何选择合适的机器学习方法，通用的训练模式等等。