「深度學習+自然語言處理（NLP）」專欄索引

1. Readme

深度學習+自然語言處理（NLP）專欄首發於知乎。

專欄的主要內容是梳理深度學習相關學科的基礎知識。

深度學習偏重於工程實踐和多學科的交叉應用，掌握相關學科的知識要點是學好深度學習的基礎。

2. 深度學習科技樹

探討深度學習科技樹的想法來源於數據科學（data science）的定義，根據下圖的定義，數據科學是一門計算機科學、數學和統計學、商業知識的交叉學科。

如今，深度學習大熱，如何定義深度學習？從深度學習涉及的基礎知識切入，探討這個問題應該是一個好的角度。以作者淺薄的理解，深度學習涉及的基礎至少包含下圖中的8個方面：

3. 專欄文章索引

根據上圖的知識結構，專欄有多個系列文章：

自然語言處理系列：

自然語言處理（NLP）基礎概念1：詞向量（word vector）及其生成方法介紹

自然語言處理（NLP）基礎概念2：Softmax介紹及其python實現

自然語言處理（NLP）基礎概念3：直觀理解Word2Vec處理過程

自然語言處理（NLP）基礎概念4：直觀理解Skip-gram演算法過程

自然語言處理（NLP）基礎概念5：word2vec代價函數求梯度計算過程詳解

自然語言處理（NLP）基礎概念6：word2vec為什麼要使用負採樣（negtive sample）？

自然語言處理（NLP）基礎概念7：word2vec負採樣（negtive sample）及skip-gram模型的python實現

深度學習系列

深度學習（Deep Learning）基礎概念1：神經網路基礎介紹及一層神經網路的python實現

深度學習（Deep Learning）基礎概念2：深度學習測試題及詳解1

深度學習（Deep Learning）基礎概念3：神經網路實現邏輯回歸模型測試題及解答

深度學習（Deep Learning）基礎概念4：神經網路實現邏輯回歸模型的python編程思路

深度學習（Deep Learning）基礎概念5：深度學習基礎概念測試題及詳解

深度學習（Deep Learning）基礎概念6：搭建2層神經網路的python實現

深度學習（Deep Learning）基礎概念7：搭建多層神經網路的python實現

深度學習（Deep Learning）基礎概念8：L2正則化（L2 Regularization）、Dropout原理及其python實現

機器學習項目結構化1：評估指標、分配數據集、關注統計分布、理解和超越人類水平、改善模型性能率等

機器學習項目結構化2：誤差分析、數據不匹配、多任務學習、端到端深度學習等

循環神經網路RNN介紹1：什麼是RNN、為什麼需要RNN、前後向傳播詳解、Keras實現

循環神經網路(RNN)介紹2：keras代碼分析

循環神經網路(RNN)介紹3：RNN的反向傳播演算法Backpropagation Through Time (BPTT)

長短期記憶網路（LSTMs）介紹1：傳統RNN的缺點，LSTM結構解析，LSTM變體簡介

Python系列

深度學習中的Python語言1：Python基礎數據類型、容器、函數和類的介紹

深度學習中的Python語言2：Numpy數組、索引、數據類型、運算、廣播的介紹

深度學習中的Python語言3：SciPy和Matplotlib庫介紹

深度學習中的Python語言4：實踐和練習Python基礎概念（jupyter notebook版）

深度學習中的Python語言6：python數據科學實用庫pandas教程

線性代數系列

深度學習中的線性代數1：基本概念和矩陣乘法

深度學習中的線性代數2：矩陣的操作和性質

深度學習中的線性代數系列3：矩陣微積分

概率論與數理統計系列

深度學習中的概率論1：基本表達式

工具箱系列

深度學習的工具箱系列1：深度學習markdown公式大全

深度學習的工具箱系列2：Anaconda介紹

機器學習系列

機器學習基礎概念1：機器學習基礎概念科普

機器學習基礎概念2：數據集劃分、混淆矩陣、測量指標、交叉驗證、網格搜索

機器學習基礎概念3：監督學習

機器學習演算法性能比對分析流程

經典模型系列

經典模型-1：《Deep Residual Learning for Image Recognition》論文翻譯

經典模型-2：手把手帶你分析、解讀ResNet源代碼