深度學習,你們都看哪些社區論壇?

時間 2020-12-29

標籤 git github 算法編程微信網絡 app 框架 less 機器學習欄目快樂工作简体版

原文原文鏈接

對代碼、編程感興趣的能夠加我公衆號<老K玩代碼>，和我交流!

「
學習Python，有一半的小夥伴是衝着深度學習來的。
自學雖好，但仍是須要有人指點。
那有沒有什麼研究深度學習的朋友比較會彙集的網絡社區或平臺工具呢？
實際上是有的，想了解的話，就點擊上方老K玩代碼，關注我吧~！git

老K查看了知乎上網友關於這個問題的推薦，並整理成文，推薦到您面前！
下面開始正文~！

1. Quora 推薦：4.5/5.0星★★★★☆

https://www.quora.com/github

如下是關於「Quora」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

算法

「

Reddit和Quora更偏向資訊交互，解決具體技術問題的討論較少，偏方法論。後三個偏向解決具體問題，不少很是具體。Quora和stackexchange上不乏有大佬出沒。

以中文爲主體的機器學習論壇彷佛沒有特別出名的。據我觀察，現階段水平比較高的居然是...知乎（機器學習，深度學習（Deep Learning），很像是Reddit、Quora和StackOverlow的結合體。CSDN上也不乏有些不錯的文章，但彷佛更新的頻率不高，文章偏老。

至於問答社區，stackOverflow上面數據科學應該不會越俎代庖成爲主體，exchange活躍度一直比較通常吧，至於Quora，跟知乎比起來流量差別仍是蠻大的。

2. Reddit 推薦：4.5/5.0星★★★★☆

https://www.reddit.com/編程

如下是關於「Reddit」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

微信

「
Reddit和Quora更偏向資訊交互，解決具體技術問題的討論較少，偏方法論。後三個偏向解決具體問題，不少很是具體。Quora和stackexchange上不乏有大佬出沒。網絡

以中文爲主體的機器學習論壇彷佛沒有特別出名的。據我觀察，現階段水平比較高的居然是...知乎（機器學習，深度學習（Deep Learning），很像是Reddit、Quora和StackOverlow的結合體。CSDN上也不乏有些不錯的文章，但彷佛更新的頻率不高，文章偏老。

若是是出於爲一些比較專門化，細節化的問題發帖，而後獲得迅速答覆的一個forum的形式，其實貼吧更爲符合，百度貼吧那兩年賣吧之後如今好像蠻涼了，Reddit可能就更像是一般想象中的那樣。

3. BigML 推薦：4.5/5.0星★★★★☆

https://bigml.com/app

如下是關於「BigML」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

框架

「
BigML平臺旨在幫助客戶建立，快速實驗，全面自動化並管理機器學習工做流程。BigML提供了很好的可視化功能，並具有求解分類、迴歸、聚類、異常檢測等算法。該產品能夠按照月、季度和年度進行訂閱，同時也提供免費版本（免費版本的數據集限制爲16 MB）。less

BigML的平臺，私用部署和豐富的工具集將繼續幫助咱們的客戶建立，快速實驗，全面自動化並管理機器學習工做流程，以提供同類中最佳的智能應用程序。基於圖形用戶界面，BigML提供瞭如下功能：

4. DataRobot 推薦：4.5/5.0星★★★★☆

https://www.datarobot.com/
如下是關於「DataRobot」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

機器學習

「
DataRobot（DR）是一款高度自動化的機器學習平臺，由全球最好的Kagglers建立，包括Jeremy Achin，Thoman DeGodoy和Owen Zhang。在DR官網上咱們能夠看到這樣一句話，「數據科學須要數學、統計學、編程技能和商業認知。藉助DataRobot，你能夠輕鬆得到數據和業務看法，其他部分由咱們負責。」

5. fast.ai 推薦：4.0/5.0星★★★★

https://www.fast.ai/

如下是關於「fast.ai」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
http://forums.fast.ai fast.ai的論壇，天天仍然有許多人在上面討論課程或者課程之外的技術問題。

6. mathexchange 推薦：4.0/5.0星★★★★

https://math.stackexchange.com/如下是關於「mathexchange」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
前面的回答基本上都涵蓋了比較好的去處了吧。就我的而言，英文主要是reddit的ml板塊，推特上關注的一些行業大牛，或者hashtag（好比nlp就是#NLProc），quora，stackoverflow和mathexchange。中文的話知乎和微博也可，關鍵在於怎麼構建本身的timeline

7. Driverless AI 推薦：4.0/5.0星★★★★

www.h2o.ai/driverless-ai/

如下是關於「Driverless AI」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
Driverless AI是由開源機器學習平臺h2o.ai推出的最新產品，這一工具能夠幫助非技術人員準備數據，審校參數，肯定最優算法，進而用機器學習來解決專門的企業問題。該產品旨在下降數據科學在企業環境下運行的門檻。

這些是Driverless AI的一些使人振奮的功能：

8. hashtag 推薦：4.0/5.0星★★★★

如下是關於「hashtag」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
前面的回答基本上都涵蓋了比較好的去處了吧。就我的而言，英文主要是reddit的ml板塊，推特上關注的一些行業大牛，或者hashtag（好比nlp就是#NLProc），quora，stackoverflow和mathexchange。中文的話知乎和微博也可，關鍵在於怎麼構建本身的timeline

9. stack exchange 推薦：4.0/5.0星★★★★

https://stackexchange.com/

如下是關於「stack exchange」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
stack exchange統計版（Cross Validated ），更可能是統計相關

10. paperweekly 推薦：4.0/5.0星★★★★

https://www.paperweekly.site/

如下是關於「paperweekly」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
https://www.paperweekly.site/ paperweekly，推薦論文的專業論壇，上面有許多用戶推薦的論文。

如今通常的微信羣和qq羣都討論對理解深刻貌似沒多大做用，感受更多的是傳遞名詞功能，我的感受真正的技術方面的能夠看看某些博士們寫的博客，大部分不會存在誤導，寫的內容也值得推敲，這個要本身根據方向去找。有個paperweekly上面會有不少好的論文推薦，部分論文有代碼供復現，你能夠去了解一下。

11. mxnet 推薦：4.0/5.0星★★★★

https://discuss.gluon.ai/

如下是關於「mxnet」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
mxnet深度學習框架，有配套的視頻，論壇，學習文檔，簡直應有盡有。論壇裏面有大佬們組織的kaggle經典訓練集的比賽，不少牛X的小夥伴論壇裏討論方法，每次都有人拿下相關競賽前幾名。

12. medium 推薦：4.0/5.0星★★★★

https://medium.com/

如下是關於「medium」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
medium：不少人代碼在github，教程在medium。

13. github 推薦：4.0/5.0星★★★★

https://github.com/

如下是關於「github」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
固然還有github，github是討論技術問題的最好地方，但問題在於假如你關注的一個技術問題並無任何的repo，或者star的人不多，天然就沒什麼人討論。

medium：不少人代碼在github，教程在medium。

14. IBM Watson Studio 推薦：4.0/5.0星★★★★

https://www.ibm.com/cloud/watson-studio

如下是關於「IBM Watson Studio」的幾個比較有表明性的評論：摘自網友在知乎相關問題下的回答:

「
如何從這個清單中排除IBM？這個世界上最知名的IT品牌之一。IBM Watson Studio爲構建和部署機器學習和深度學習模型提供了一個出色的平臺。藉助Watson Studio，你能夠輕鬆完成數據準備工做、使用RStudio等熟悉的開源工具、訪問最流行的庫、訓練深度神經網絡等。對於機器學習的入門者來講，IBM提供了一系列的教程視頻幫助你入門Watson Studio。