一、有哪些可以自学机器学习、深度学习、人工智能的网站？

当时在研究生阶段，也是靠自学学习的机器学习、深度学习、人工智能，下面就给大家推荐几个非常不错的人工智能课程。

（1）Andrew Ng的机器学习教程（强烈推荐）：

吴恩达斯坦福Andrew NG机器学习大佬公开课（课件和笔记私信up主）（1-17）_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili

在学习其他课程前，建议首先学习Andrew Ng的机器学习课程，该课程可以说是零基础入门课程，通俗易懂，更多的从直觉的角度让你理解机器学习是什么，在做什么，其算法的核心思想和直观理解是什么，学习时Andrew Ng会对复杂的数学公式进行分解，告诉你每一部分的直观意义和目的是什么，学习时不必对公式进行死记硬背，只需要了解公式背后的数学逻辑和目的即可。

（2）中国大学慕课-北京理工大学Python机器学习应用

Python机器学习应用_北京理工大学_中国大学MOOC(慕课)

在有了Andrew Ng课程学习的理论基础后，就可以动手实践啦！Python的sklearn库是我用过的最好用的机器学习第三方库，Python语言具有上手简单、容易理解的特点，sklearn库机器学习算法也特别的丰富，在sklearn库的帮助下，你可以轻松设定各种超参数，完成各种算法的实际应用，具体问题时你只需要给算法输入和输出进行训练，sklearn就可以自动帮你训练啦。

（3）莫凡Python

https://morvanzhou.github.io/about/

如果你不想学习那些枯燥而又深奥的理论，只想对人工智能快速上手，那么莫凡python是强烈推荐的一个网站，非常感谢莫凡，能够在学习之余抽出时间录制视频，把深奥的理论通过图像化的形式表现出来，非常适合小白入门。

（4）强化学习之Divid Silver（强烈推荐）

https://www.bilibili.com/video/BV1kb411i7KG?from=search&seid=4544083941649950106

大佬在B站为你讲解强化学习！！如果自己看强化学习内容的话，十有八九是看不下去的，但是如果你跟着AlphaGo的大佬学习强化学习，那真的是分分钟学会，学完这16个小时的视频，再也不用担心看不懂论文上那些浮夸的公式了，该课程在David Silver的个人主页上还有配套的PPT和试卷，可以检验自己强化学习的自学效果（主页找不到了o(╥﹏╥)o附一下CSDN上的资料）。

David Silver强化学习公开课视频、PPT及学习笔记

（5）概率图模型

https://www.bilibili.com/video/av69731499

概率图模型作为现代人工智能方法的一种，似乎在现在的论文中很少看到，但概率图模型还是很有意思的一门课。说实话，这门课是真的难，但是学完后，可以结合Matlab支持的第三方库（贝叶斯网络库）做一些很有意思的研究。

安装matlab贝叶斯网络工具箱_KayKing的博客-CSDN博客_bc工具

---

在看视频的时候，要是能够配着读一些书，当然效果会更好啦~大家可以在下面的链接中获取到人工智能的相关书籍：

https://xg.zhihu.com/plugin/122d6011072cbb7b24b367f752f75d1e?BIZ=ECOMMERCE

里面还附有人工智能知识树，大家可以在掌握了基本的人工智能知识后，可以按照知识树的指引有条理的学习或复习相关内容，针对每一个知识树，从核心触发，依次根据枝干的展开方向温习有关内容，能够更好的把相关联的知识点串起来，做到举一反三，将人工智能落到实处。

链接中包含的几本书籍都堪称是人工智能经典中的经典：

（1）Artificial intelligence: A modern approach

这本书是MIT、哈佛、斯坦福等高校采用的人工智能教材，内容的深度和广度都较为系统，想要在人工智能领域进一步深造的小伙伴，不可不读！！

（2）深度学习：Deep learning

这本书誉为是深度学习领域奠基性的教材，由谷歌公司首席科学家、生成对抗网络之父Ian Goodfellow编写，内容非常富有实战性。

（3）Hands on machine learning with sklearn and tensorflow

python中的sklearn库集成了几乎目前所有的主流机器学习算法，包括支持向量机、简单神经网络、决策树、Logistic regression等，即使不了解这些算法的基本原理，只要知道这些算法的输入输出，超参数的含义，就能够轻松训练自己的机器学习模型；而tensorflow是目前公认的最为权威、强大的神经网络开发第三方python库，其他的神经网络集成库大多也以tenworflow为基础进行开发，因此学好tenworflow对自己开发具有独特功能的神经网络十分必要。上面这本书对sklearn和tensorflow进行了实战性的介绍，在学习完理论后，可以在这本书的指导下动手实践，提升自己的编程实战能力。

（4）流畅的python

由于sklearn和tensorflow均以python语言进行开发，因此学习Python语言是学习sklearn库和tensorflow库的前提，流畅的python这本书详细介绍了Python的基本语法，建议和下面的中国大慕课一起学习，效果会更好：

Python语言程序设计_北京理工大学_中国大学MOOC(慕课)

希望对大家有所帮助哈~

二、中小学动不动就发表深度学习，人工智能论文靠谱吗？

[1]陈笑沙.面向车队自动驾驶的车联网端到端时延分析与资源优化[D].电子科技大学,2021.

[2]栗园园.核设施退役与废料处理机器人关键技术研究[D].电子科技大学,2021.

[3]郭睿.智能频率综合器的关键技术研究[D].电子科技大学,2021.

[4]莫欣岳.基于人工智能的空气质量决策支持系统建模研究[D].兰州大学,2021.

[5]姜天文.条件性知识图谱构建及其应用研究[D].哈尔滨工业大学,2021.

[6]戴曙.民事司法的数字化变革与重塑[D].华东政法大学,2021.

[7]范跃.法官思维的特性及约束机制研究[D].华东政法大学,2021.

[8]余圣琪.数据权利保护的模式与机制研究[D].华东政法大学,2021.

[9]李紫阳.解释论视域下数据犯罪问题研究[D].华东政法大学,2021.

[10]王福东.基于泛函表示的图匹配研究[D].武汉大学,2021.

[11]李然.数字传播中著作权非自愿许可研究[D].华东政法大学,2021.

[12]欧阳天皓.国家经济安全背景下的债务风险评估与分析[D].南昌大学,2021.

[13]颜振刚.蛇形结构的力学分析及其在柔性器件中的应用[D].哈尔滨工业大学,2021.

[14]冯时.利用生成对抗式网络预测视网膜静脉阻塞患者抗VEGF药物短期治疗效果[D].北京协和医学院,2021.

[15]张显龙.慢性肾脏病营养管理依从性分析及交互式中西医智能辅助程序的建立与运用[D].广州中医药大学,2021.

[16]孟祥飞.基于机器学习的电力系统静态电压稳定评估及实时经济调度研究[D].北京交通大学,2021.

[17]耿一丹.两类分段连续型随机微分方程数值方法的收敛性和稳定性[D].哈尔滨工业大学,2021.

[18]唐志一.基于深度学习的结构健康监测异常数据诊断与重构[D].哈尔滨工业大学,2021.

[19]樊程.基于神经网络的海洋上空气溶胶偏振遥感研究[D].中国科学院大学(中国科学院空天信息创新研究院),2021.

[20]黄文武.企业家精神视野中的大学革新[D].南京师范大学,2021.

[21]史加祥.指向问题提出能力发展的小学科学教学模式的设计研究[D].华东师范大学,2021.

[22]秦耿耿.乳腺X射线图像智能辅助诊断方法及临床应用研究[D].南方医科大学,2021.

[23]代勇.关于文本分类和问答的深度学习算法研究[D].电子科技大学,2021.

[24]万正艺.数字网络空间视域下知识产权的政策分析：环境-价值-行动者的维度[D].南京师范大学,2021.

[25]曹婷婷.中药智能制造理论模型的构建与应用[D].北京中医药大学,2021.

[26]AMILYNN.任务导向学习模型对学生数学合作问题解决能力的影响研究[D].华中师范大学,2021.

[27]吕文晖.深度学习在胸部CT肺结节恶性风险评估的应用策略研究[D].南方医科大学,2021.

[28]王冬玥.基于深度学习的图像增强技术在相干光断层扫描中的应用与评估[D].北京协和医学院,2021.

[29]张碧磊.糖尿病性视网膜病变的早期检测和人工智能筛查研究[D].北京协和医学院,2021.

[30]朱佳伟.基于卷积神经网络的宫颈癌近距离治疗高危临床靶区及危及器官自动勾画[D].北京协和医学院,2021.

[31]江卫星.预测肾癌病理类型和临床分期新指标以及人工智能在肾癌中的初步探索[D].北京协和医学院,2021.

[32]胡文墨.影像组学应用于非酒精性脂肪性肝病的临床试验设计及结果初探[D].北京协和医学院,2021.

[33]张金雷.城市轨道交通线网短时客流预测方法研究[D].北京交通大学,2021.

[34]洪思奥.关于组合数论中的若干零和与算术问题的研究[D].南开大学,2021.

[35]桂美增.基于智能方法的关键技术预测研究[D].上海大学,2021.

[36]汪哲宇.数字化慢病管理系统的研究与实践[D].浙江大学,2021.

[37]杜煜.比较不同CT扫描剂量肺结节测量和检出的体模研究[D].河北医科大学,2021.

[38]孟庆宇.基于深度学习的宫颈癌预后模式分析与治疗方案推荐的研究[D].北京协和医学院,2021.

[39]杨旎.宫颈高级别上皮内病变的人性化诊断及治疗的探索[D].北京协和医学院,2021.

[40]冯欣.基于瘤体形态学特征及破裂风险相加效应的多发动脉瘤多中心横断面研究[D].北京协和医学院,2021.

[41]李妍.新型冠状病毒肺炎急诊防控及病毒性肺炎快速预警工具建立[D].北京协和医学院,2021.

[42]余璇.基于数据驱动关系依赖的海洋环境大数据预报方法研究[D].上海大学,2021.

[43]李昭熠.智能传播法律规制研究[D].华东政法大学,2021.

[44]刘彩霞.计算机辅助肺癌CT诊断教学关键技术研究[D].南京师范大学,2021.

[45]柯晋.微波消融脊柱转移瘤随访及机器人精准穿刺消融实验研究[D].南方医科大学,2021.

[46]张博.基于计算机视觉的桥梁车流信息识别与防船撞预警方法研究[D].东南大学,2021.

[47]黄太进.教育数字资源众筹众创供给与服务模式研究[D].华中师范大学,2021.

[48]李忠阳.面向文本事件预测的事理图谱构建及应用方法研究[D].哈尔滨工业大学,2021.

[49]曾慧娟.昆明市主城区基于社区卫生服务中心居民慢性肾脏病调查研究[D].昆明医科大学,2021.

[50]任庆桦.复杂自然场景下视觉显著目标的精确检测关键技术研究及应用[D].东南大学,2021.

[51]孟凡旭.基于量子计算的无线通信系统信息处理算法研究[D].东南大学,2021.

[52]何恒涛.面向智能通信的先进收发机理论与关键技术[D].东南大学,2020.

[53]贾文娟.基于公理模糊集理论的语义学习方法[D].大连理工大学,2020.

[54]钱跃.面向复杂文本挖掘的特征融合方法[D].大连理工大学,2020.

[55]王喜媛.智慧社会变革中的社会治理模式转型研究[D].西安电子科技大学,2020.

[56]马鲁强.基于BfP的智能喷杆喷雾机可重构模块化设计方法研究[D].南京林业大学,2021.

[57]占水生.中国人力资本供给侧结构性改革研究[D].党校,2021.

[58]张茜.数字档案馆风险管理研究[D].上海大学,2020.

[59]秦大伟.基于数据驱动和神经网络的带钢热镀锌镀层厚度控制[D].燕山大学,2020.

[60]肖季业.人工智能治理的行政法问题研究[D].中南财经政法大学,2020.

[61]熊俊勇.立案登记制改革研究[D].中南财经政法大学,2020.

[62]沈飞.迁移学习理论及机械故障诊断和寿命预测研究[D].东南大学,2020.

[63]向泽.钢-UHPC组合正交异性桥面板的合理构造研究[D].湖南大学,2020.

[64]陈晨.基于计算机视觉和深度学习的群养猪行为识别与分类算法研究[D].江苏大学,2020.

[65]陈硕.基于群体智能的寒地大学校园品质提升设计研究[D].哈尔滨工业大学,2020.

[66]邵会兵.滑翔飞行器滑翔能力智能预示与多约束制导研究[D].哈尔滨工业大学,2020.

[67]刘壮.基于深度学习的机器阅读理解研究[D].大连理工大学,2020.

[68]高炜.基于环境感知的无线网络接入方案研究[D].华中科技大学,2020.

[69]陈欣星.基于轮式移动机器人的室内烟雾源定位算法研究[D].华中科技大学,2020.

[70]徐国平.淋巴结区域识别和淋巴结分割关键技术研究[D].华中科技大学,2020.

[71]岳春漪.注意力神经网络及其在自然语言理解中的应用研究[D].华中科技大学,2020.

[72]李祥飞.面向机器人柔顺操作的力位精准控制方法研究[D].华中科技大学,2020.

[73]孙禧亭.红外光谱多元分析理论、方法及应用研究[D].北京化工大学,2020.

[74]李薪茹.面向产业需求的我国高职院校专业结构调整研究[D].天津大学,2020.

[75]孟娜娜.金融科技对普惠金融的影响路径与机制研究[D].对外经济贸易大学,2020.

[76]宿昆.重庆市流行性感冒流行特征及预测研究[D].中国人民解放军陆军军医大学,2020.

[77]谷丛.互联网平台产品创新的众创策略研究[D].中国美术学院,2020.

[78]陆利军.国家森林公园旅游网络信息流的时空效应与作用机理研究[D].中南林业科技大学,2020.

[79]侯郭垒.大数据安全的立法保障研究[D].中南财经政法大学,2020.

[80]丁玉龙.信息通信技术对绿色经济效率的影响及区域差异[D].中南财经政法大学,2020.

[81]伍茜.智能司法演进历程与方法建构[D].西南政法大学,2020.

[82]张霁.大型数据中心异构磁盘的故障预测方法与应用研究[D].华中科技大学,2020.

[83]郭丽芳.白癜风诊断和病情评价人工智能模型的建立及临床应用[D].北京协和医学院,2020.

[84]冉祥金.区域三维地质建模方法与建模系统研究[D].吉林大学,2020.

[85]朱强.基于深度学习的特征选择方法及其应用研究[D].华中师范大学,2020.

[86]王江宇.建筑数据驱动预测控制方法及其应用研究[D].华中科技大学,2020.

[87]李伟.移动边缘计算卸载与迁移研究[D].华中科技大学,2020.

[88]龚雅玲.“互联网+”驱动物流业创新发展的传导路径及其效应研究[D].江西财经大学,2019.

[89]乔曦.基于计算机视觉的薇甘菊自动监测方法研究[D].中国农业科学院,2019.

[90]徐贞.产业界对高校工学博士能力素质的需求及其培养研究[D].华东师范大学,2019.

[91]张舸.基于桥梁仿真长期监测数据的人工智能损伤识别方法研究[D].华南理工大学,2020.

[92]王也.技术创新、就业效应与经济增长[D].首都经济贸易大学,2019.

[93]徐阳.基于计算机视觉的桥梁结构局部损伤识别方法研究[D].哈尔滨工业大学,2019.

[94]戴泽翰.柑橘黄龙病菌基因组多样性及人工智能识别黄龙病的研究[D].华南农业大学,2019.

[95]杨鑫.智慧课堂模型构建研究[D].东北师范大学,2019.

[96]夏志远.超宽自锚式悬索桥模型修正与抗震可靠度分析研究[D].东南大学,2018.

[97]阎峰.“场景”即生活世界[D].上海师范大学,2018.

[98]兰国帅.基于知识图谱的国际教育技术发展研究[D].南京师范大学,2016.

[99]梁万杰.滑坡、泥石流地质灾害评价方法研究[D].南京农业大学,2012.

[100]王治刚.东北地区温室生物质能量供给系统及控制方式研究[D].吉林大学,2011.

三、深度学习：人工智能模式识别技术持续创新的未来

人工智能模式识别技术（Artificial Intelligence Pattern Recognition Technology）是近年来快速发展的前沿领域之一。在信息技术的发展推动下，人工智能模式识别技术在各个行业得到广泛应用，并呈现出持续创新的趋势。

1. 人工智能模式识别技术的背景

人工智能模式识别技术是指通过计算机算法和模型，将输入的数据与预设的模式进行匹配和分类，从而自动识别和推断出数据的特征和规律。这一技术的发展得益于深度学习的快速崛起。

2. 深度学习：人工智能模式识别技术的核心

深度学习是人工智能模式识别技术的核心，其主要特点是通过构建多层次的神经网络模型，从大量的数据中学习，并具备自主识别和分析模式的能力。深度学习的发展使得计算机能够通过自动学习和调整模型参数来提高模式识别的准确性和效率。

3. 人工智能模式识别技术的应用领域

人工智能模式识别技术在众多领域都有着广泛的应用。例如：

• 图像识别：人工智能模式识别技术可以通过分析图像的特征和结构，进行图像识别和分类。它已经在人脸识别、车牌识别等领域取得了重要的应用。
• 声音识别：人工智能模式识别技术能够识别声音的特征和模式，从而实现语音识别、声纹识别等功能。这一技术已经在智能助理、语音控制等方面取得了重大突破。
• 文本识别：人工智能模式识别技术可以通过对文本的分析和理解，进行文本识别和情感分析。它已经在智能客服、舆情分析等领域发挥了重要作用。

4. 人工智能模式识别技术的发展趋势

人工智能模式识别技术在不断发展创新的同时，也面临着挑战。当前主要的发展趋势有：

• 自动化：人工智能模式识别技术将更加自动化，能够通过大数据的支持，自动提取特征和规律，并不断优化模型。这将使得模式识别技术更加高效和准确。
• 跨领域应用：人工智能模式识别技术将逐渐扩展到更多的领域。例如，医疗领域将能够利用模式识别技术实现医学影像分析和疾病诊断。
• 智能决策：人工智能模式识别技术将能够更好地支持智能决策。通过对数据的深度分析和模式识别，计算机能够给出更精准的建议和决策。

总之，人工智能模式识别技术作为一种前沿的信息技术，将持续不断地创新和发展。它的广泛应用将极大地改变人们的日常生活和工作方式，推动各个行业的数字化转型。

四、软件工程研究生一般都是学习哪些内容呢？需要学习python吗？是不是都研究算法，深度学习，人工智能了？

要是想从事算法 人工智能相关Python是必学的基础内容

根据你自己的情况去选择 一般都是从开发做起 深入学习后转其他岗位

单单学会Python也是有加分项在的 现在的应用方面也是非常多的

五、人工智能深度学习属于？

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

六、人工智能深度学习、深度学习开源平台、深度学习框架这三者是什么关系？

深度学习是机器学习的一种，而深度学习开源平台和深度学习框架其实是同一种事物的两个不同叫法。

关于什么是“深度学习”，已经有很多好的回答，我这里不再啰嗦，我详细讲讲什么是“开源深度学习平台”

人工智能深度学习平台本质是一个“免费的开发工具集合”，开发人员像搭积木一样，根据自身行业的特点和场景需要，利用平台提供的开发工具、选择合适的任务、预训练模型和深度神经网络，导入数据进行训练并得出模型，最终实现部署。

开发人员可直接利用平台上的工具和任务模型，按照自己的需求进行二次开发，无需再开发基础模型，能极大的减轻工作量，减少重复劳动，提升整体的开发效率。

人工智能深度学习平台就像电脑或者手机的操作系统，起到承上启下的作用，下接高性能芯片和大型计算系统，上承各种业务模型和行业应用。

平台的主要使用流程分为下面三个步骤：

1、 开发者根据自身需求，选择相应的任务和预训练模型，然后导入已经标注好的数据

2、 训练并得出模型，对模型进行校验

3、 部署

市面上比较常用的深度学习平台包括以下几个：

1、百度的PP飞浆

2、Google的TensorFlow

3、Facebook的Caffe2

4、微软的Cognitive Toolkit

七、人工智能深度学习属于嵌入式吗？

人工智能深度学习不属于嵌入式。

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

八、人工智能与深度学习

人工智能与深度学习是当今科技领域备受关注的热门话题。随着人类社会的不断发展和科技的快速进步，人工智能技术已经深入到我们生活的方方面面，改变着我们的工作、生活、甚至未来。人工智能作为一种模拟人类智能行为的技术，其核心之一便是深度学习。

人工智能的概念

人工智能（Artificial Intelligence, AI）是指通过智能设备或程序，使机器能够模拟和执行人类智能活动的技术。人工智能的发展历史可以追溯到上世纪上半叶，但直到最近几十年才迎来了蓬勃的发展。人工智能可以被应用于诸多领域，如医疗保健、金融、交通、智能制造等。

深度学习的概念

深度学习（Deep Learning）是人工智能的一个分支，是建立在人工神经网络基础上的一种学习方法。深度学习可以帮助计算机从数据中学习复杂的表征，实现各种智能任务。深度学习的兴起，极大地推动了人工智能领域的发展。

人工智能与深度学习的关系

人工智能与深度学习之间存在着密不可分的联系。深度学习作为人工智能的一种实现手段，通过模拟人类大脑神经网络的方式，使得计算机可以更好地理解和处理复杂信息。借助深度学习的技术，人工智能可以实现更高级的智能行为，如图像识别、语音识别、自然语言处理等。

人工智能与深度学习的应用

• 医疗保健：利用深度学习技术，可以帮助医生进行病灶识别、疾病预测等任务，提高诊断准确率。
• 金融：银行和金融机构可以通过人工智能和深度学习技术进行风险评估、股票交易预测等智能化操作。
• 智能制造：在智能制造领域，人工智能与深度学习的结合可以帮助企业实现自动化生产、智能物流管理等。
• 交通：智能交通系统利用人工智能和深度学习技术，可以提高交通效率、减少交通事故。

未来展望

人工智能与深度学习作为当今科技不可或缺的重要领域，将在未来继续发挥重要作用。随着技术的不断进步和应用领域的不断扩展，人工智能将更好地服务于人类社会的各个领域，为我们的生活带来更多便利和可能。

九、人工智能深度学习的五个基本特征？

人工智能深度学习具有以下五个基本特征：

一是从人工知识表达到大数据驱动的知识学习技术。

二是从分类型处理的多媒体数据转向跨媒体的认知、学习、推理，这里讲的“媒体”不是新闻媒体，而是界面或者环境。

三是从追求智能机器到高水平的人机、脑机相互协同和融合。

四是从聚焦个体智能到基于互联网和大数据的群体智能，它可以把很多人的智能集聚融合起来变成群体智能。

五是从拟人化的机器人转向更加广阔的智能自主系统，比如智能工厂、智能无人机系统等。

十、深度学习入门？

深度学习是一种基于人工神经网络的机器学习方法，它可以通过学习输入和输出之间的关系来自主地进行模式识别和数据分析。要入门深度学习，你需要掌握线性代数、微积分、概率统计等数学知识，熟悉编程语言如Python、C++、MATLAB等，并了解常见的深度学习框架如TensorFlow、Keras、PyTorch等。建议通过阅读深度学习相关书籍和课程，参加在线或线下的讲座和实践，与其他从业者进行交流和合作来不断提高自己的技能。