大家好，今天来给各位想要入门人工智能行业的小白推荐好课！
周志华教授在《如何做研究》报告中指出，计算机科学发展到今天，已经是一个非常广袤的学科，人工智能仅仅是其中一个分支。即使在一个分支学科和领域中，也有太多的话题，而深度学习又仅仅是人工智能领域的一个部分。
深度学习在计算机视觉，自然语言处理，图数据等方面获得了巨大成功。因此，我们推荐的入门课程也围绕以上方面。
入门课程推荐一：CS231n
关键词：计算机视觉，卷积神经网络
先导课程：高等数学，线性代数，python编程等
推荐理由： 深度学习代表性人物斯坦福大学李飞飞教授所开课程！！！李飞飞教授团队开设该课程多年，授课形式成熟，授课内容完善，国内外公开资料齐全，对该课程的仔细学习几乎是每一个小白修炼的必经过程。
课程官网：
视频资源：
https://www.bilibili.com/video/BV1nJ411z7fe?from=search&seid=12011234486032902781
优秀笔记：
https://github.com/mbadry1/CS231n-2017-Summary
入门课程推荐二：CS224n
关键词：自然语言处理，循环神经网络
先导课程：高等数学，线性代数，python编程等
推荐理由：斯坦福大学人工智能实验室主任Christopher Manning教授所开课程，19年视频课程已经可以在B站找到。如果您学习完了循环神经网络和卷积神经网络课程，那么恭喜您，您已经初步入门深度学习领域，已经有了能够独立的去看很多论文的能力。
课程官网：
http://web.stanford.edu/class/cs224n/
视频资源：
https://www.bilibili.com/video/BV1pt411h7aT?from=search&seid=1288684166160427783
优秀笔记：
https://www.hankcs.com/tag/cs224n/
入门课程推荐三：吴恩达《Deep Learning》
关键词：计算机视觉，卷积神经网络，自然语言处理，循环神经网络
先导课程：高等数学，线性代数，python编程等
推荐理由：这门课程同样是来自斯坦福大学的大牛，深度学习领域代表性人物，吴恩达教授在Coursera上所开。这门课程是国内小白的拯救性学习课程，如果你不会微积分，吴教授教你；如果你不会线性代数，吴教授教你；如果你python也不会，吴教授教你。内容涵盖计算机视觉和自然语言处理部分，国内资料非常齐全。如果你喜欢从始至终都是一个老师对你讲课，那么墙裂推荐这门课程。另外吴教授还开设了《Machine Learning》这门课程，学习过程中如果碰到一些陌生的词汇或许可以在这门课程中找到答案。
课程官网：
https://www.coursera.org/specializations/deep-learning
视频资源：
https://mooc.study.163.com/university/deeplearning_ai/#/c
中文笔记：
https://github.com/fengdu78/deeplearning_ai_books
外文笔记：
https://github.com/mbadry1/DeepLearning.ai-Summary
入门课程推荐四：CS224w
关键词：图神经网络
先导课程：离散数学，高等数学，线性代数，python编程等
推荐理由：图学习无疑是目前人工智能领域最火的领域之一，课程由斯坦福大学Jurij Leskovec副教授所开。学习过CS231n和CS224n之后再来学习这门课程应该会让你感到比较容易接受，视频资源在B站上已经可以找到，PPT等其他资源可以在课程主页找到。
课程官网：
http://web.stanford.edu/class/cs224w/
视频资源：
https://www.bilibili.com/video/BV1Vg4y1z7Nf?from=search&seid=16629383708207959543
优秀笔记：
https://www.cnblogs.com/winechocolate/category/1689580.html
入门课程推荐五：李宏毅《机器学习》
关键词：计算机视觉，卷积神经网络，自然语言处理，循环神经网络，图神经网络
先导课程：离散数学，高等数学，线性代数，python编程等
推荐理由：这门课程由来自宝岛台湾大学的李宏毅教授所开。李教授授课风格幽默有趣，课程体系非常完整，国内课程资源丰富，从机器学习到深度学习最新进展一条龙服务。相比以上几门课程，李教授不同之处为国语授课，就凭这一点应该就会有无数小白奔来，墙裂推荐。
课程官网：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
视频资源：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
优秀笔记：
https://github.com/datawhalechina/leeml-notes
