DS 学习 - 打卡贴【欢迎指教】

2018 3/6 - 3/13
Deep Learning Course 5: Sequence Model at Coursera  
week 2 - word embeddings
week 3 - attention model, speech recognition

请问下大神在学习机器学习时对理论掌握的程度有多少呢？需要了解原理和推导嘛？谢谢

楼主，我关注你的帖子好久了，看你一直在学习打卡真的好棒！ 加油！ 我也要好好学习

谢谢关注，我还是小白，现在试图着去学习机器学习的理论。理论看的头疼，这个月刷web development换换脑。

2018 3/14 - 4/12
HTML, CSS, Bootstrap, JavaScript, DOM in "The web developer bootcamp" from Udemy

2018 4/13 - 5/1

完成 Udacity NLP Nanodegree Project 1: Part of tagging

2018 5/2 - 6/12

完成 Udacity NLP Nanodegree Project 2: Machine Translation

2018 6/13 - 7/8

完成 Udacity NLP Nanodegree Project 3: Speech Recognition

希望楼主经常回来更新呀~

新年开始继续打卡， 争取每周打卡一次。

今年目标是熟悉机器学习各种算法。去年的任务大部分没完成， 今年少订点，争取能完成。

公开课
1. Stanford cs229
2. Stanford cs231n
3. Stanford cs224n
4. UC Berkeley CS 294 Deep Reinforcement Learning
5. Coursera Probabilistic graphical models
6. Edx artificial intelligence

参考书目：
1. Elements of Statistical Learning
2. Deep learning book by Goodfellow etc.
3. Artificial intelligence: a modern approach
4. Machine learning: A Probabilistic Perspective
5. Papers

项目：
Kaggle: 2 in computer vision, 2 in NLP, 2 general

今年课没上，书也没看。读了近50篇paper，打了6个比赛，目的为了简历能好看点，效果还是有一些的。
因为基础太弱，看paper收获不是很明显。所以决定好好打基础，不要再眼高手低了。2020年争取把概率统计的基础学一遍，编程基本功也要练。参考了K姐和其他大咖们的贴子，下面订个新年计划

1. 概率
书：Introduction to Probability, 2nd edition, by John N. Tsitsiklis etc.
课程： MIT 6.041 Probabilistic Systems Analysis and Applied Probability, Instructor: Prof. John Tsitsiklis

2. 统计
书： All of Statistics: A Concise Course in Statistical Inference, by Larry Wasserman
课程：MIT 18.650 Statistics for Applications,  Instructor: Prof. Philippe Rigollet

3. A/B testing
课程： Udacity A/B Testing

4. Causality
.google  и书： Causality - Models, Reasoning, and Inference, 2nd edition by Judea Pearl
课程：A Crash Course in Causality: Inferring Causal Effects from Observational Data (Coursera)

5. Leetcode
以前刷到了200题，争取2020年底到400题