在刚刚过完的7天年假里，大数据文摘和184位小伙伴一起学习了吴恩达《Deep Learning Specialization》和李飞飞《CS231n：Convolutional Neural Networks for Visual Recognition》部分课程，点击这里查看第一期打卡精彩笔记。
经过一周短暂的休整和总结，第二期课程打卡学习活动开启啦！
先来看看第一期大家提交的精彩笔记：
加入我们，将有机会和笔记分享者一起学习哦。
当然，免费为大家提供学习机会的文摘菌也希望大家的学习可以真的有效率，所以社区内会有严格的打卡制度，奖惩机制。
本期学习内容介绍
吴恩达《Deep Learning Specialization》由 deeplearning.ai 出品，网易引进的正版授权中文版深度学习工程师微专业课程，让你在了解丰富的人工智能应用案例的同时，学会在实践中搭建出最先进的神经网络模型，训练出属于你自己的 AI。
课程官方链接：
https://www.coursera.org/specializations/deep-learning
李飞飞《CS231n：Convolutional Neural Networks for Visual Recognition》课程内容安排合理，由浅入深。主要介绍了深度学习（尤其是卷积神经网络和与其相关的框架）在计算机视觉领域的应用，内容涵盖多种神经网络具体结构与训练应用细节，以及针对大规模图像识别，物体定位，物体检测，图像风格迁移，图像理解描述与视频内容识别等问题的前沿解决思路。从一个简单的cifar10数据集和最简单的KNN算法开始介绍，慢慢引入深度学习相关的知识点。比如dropout、batchnormalization等。最后介绍了一些深度学习经典的范例，比如RNNs， LSTMs ，GAN等。
课程官方链接：
http://cs231n.stanford.edu/
大数据文摘授权翻译汉化版课程：
https://study.163.com/provider/10146755/index.htm
吴恩达《Machine Learning》人工智能的发展到已经进入了一个瓶颈期。近年来各个研究方向都没有太大的突破。真正意义上人工智能的实现目前还没有任何曙光。但是，机器学习无疑是最有希望实现这个目标的方向之一。斯坦福大学的“Stanford Engineering Everywhere ”免费提供学校里最受欢迎的工科课程，给全世界的学生和教育工作者。得益于这个项目，我们有机会和全世界站在同一个数量级的知识起跑线上。
课程官方链接：
https://www.coursera.org/learn/machine-learning
周志华《机器学习》本书尽可能从材料的“原生态”出发讲述，仅在少数地方简略点出联系。 需说明的是，作者试图以相近深度讲述主要内容。读者若感到在某些地方“意犹未尽”，也可借助本书对其他内容的初窥优先于此处的进一步深究。另外，机器学习飞速发展，很多新进展在学界尚无公论之前，作者以为不适于写入入门级教科书中。但为了不致于与学科前沿脱节，本书也简略谈及一些本领域专家有初步共识的相对较新的内容。
书籍官方介绍：
https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm
打卡机制
- 所有课程/书籍将分为几期完成，每期有各自的打卡日程安排
- 每天至少完成规定视频/书籍内容的学习，并记录【学习笔记】，笔记形式不限、内容多少不限，但应满足一定的内容覆盖度
- 每天建议学习时间：1个小时-1.5个小时
- 每个微信群限额20人，每名参与者缴纳66元人民币
- 16元用于交付运营志愿者的组织与记录薪酬，50元加入奖金池
- 坚持完成一期打卡的学员，均分微信群内所有奖金（1000元）
面向人群
深度学习入门：
- 我们推荐吴恩达《Deep Learning Specialization》课程
机器学习入门：
- 我们推荐吴恩达《Machine Learning》课程
机器学习进阶：
- 我们推荐周志华《机器学习》（西瓜书）
计算机视觉专项学习：
-
我们推荐《CS231n：Convolutional Neural Networks for Visual Recognition》课程
