去年，阿法狗（AlphaGo）在围棋领域首次战胜了人类的世界冠军，深度学习开始成为人们交口议论的话题，而就在今天，他的弟弟阿法元只靠一副棋盘和黑白两子，从零开始，自娱自乐，自己参悟，100-0 打败哥哥阿法狗，这无疑将深度学习推向了更高点。

关于深度学习，技术人最关心的话题就是如何进行了解与学习，而大家都知道要成为特定领域的大师必须经过「一万小时」，但是今天小编很负责任地告诉你，不需要！

「NewTech 观察圈」的成员—— 百度算法工程师 Roy 特别整理了史上最全的深度学习资源索引，包括论文，慕课，开源框架，数据集等等，以下是精选部分。

一、围棋比赛从此由机器制霸

长期以来，人工智能的目标就是要实现一种能够自主学习，再放空，最终实现超越人类的算法。这两年，AlphaGo 成为了第一个战胜人类围棋世界冠军的项目。AlphaGo 中的树形检索算法运用深层神经网络评估每一步落子的位置，并计算出破解之道。有了这些神经网络系统，我们就能利用人类围棋大师的套路对计算机进行训练，并使其通过与自己对弈得到强化。本文中，我们讲介绍一种全新的仅需要自我强化深度学习算法，从而使得计算机在训练时不需要借助人类对弈数据和人为指导修正。AlphaGo 成为了她自己的老师：我们通过训练神经网络，使其能够预测 AlphaGo 自身的落子，并战胜现有的 AlphaGo。这种神经网络大幅提高了树形检索算法的效率，使其在下一次迭代中能获得更高的棋力以及更强大的自我训练水平。由于加入了 tabula rasa 的放空环节，全新的 AlphaGo Zero 获得了全面压倒人类的能力，先前战胜人类冠军的 AlphaGo 版本，在 AlphaGo Zero 面前连败 100 局。

原文地址：https://www.nature.com/nature/journal/v550/n7676/full/nature24270.html

二、计算机视觉中的卷积神经网络

我们为你准备了斯坦福大学 2017 年最新的有关计算机视觉课程，包含完整的课程录像和课件 PDF 下载。想要获取最专业的卷积神经网络知识？

原文地址：http://vision.stanford.edu/teaching/cs231n/syllabus.html

三、深度学习神经网络概述

近两年，深度学习神经网络在物体识别和机器学习领域的各项竞赛中屡获佳绩。这篇历史综述详细地总结了过去的一千年中人们对于相关领域的研究。从古至今，有许多人投身于这项研究之中，而只有其中一部分人所做的具有一定的深度。而判定这些调查是否具有深度的一个标准就是他们的信用分配路径的深度，这些路径是链接现象和效果之间的重要关联。作者在本文中为大家复盘了深度监督学习、无监督学习、强化式学习和进化算法，以及一些间接关于大型深度学习网络的调研。

原文地址：https://arxiv.org/pdf/1404.7828v4.pdf

四、LSTMs 在人类行为识别中的应用

与那些传统的实现途径相比，同时使用 RNN 和 LSTMs 仅需要极少量的特征标注工程，甚至可以完全放弃。大量数据能直接被倒入深度学习神经网络，而神经网络则会正确地规范这些问题，就黑匣子一样。与之相比，其它关于行为识别数据集的研究需要大量的特征标注，这更像是一个信号处理流程加上传统数据科学技术。而使用了 LSTMs 就会让一切变得简单。

原文地址：https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

五、八千万张图片数据集

看了这么多技术干货，是时候实践一次了。我们为你准备了一个多达八千万张图片的数据集，希望能对你的研究有所帮助。

原文地址：http://groups.csail.mit.edu/vision/TinyImages/

如果文章内容让你受益匪浅，请动动手指为作者点赞，获得最多点赞数的作者，将在每期结束入选「NewTech 观察圈元老会」。

－－－－－
想要成为技术大牛？欢迎添加 微信：pr836733262 勾搭牛小七，拉你进群交流，和大牛共话 AI。