怎样做到全心全意投入到一段感情中去？

如果你爱这个人,那么一定要欣赏她的优点,找到你跟她之间的相同点到底在哪儿,然后努力让彼此成为知己。如果你真的爱她,那么你就应该把你最好的一切都呈献给她,并且在奉献这一切的过程中,你的内心无欲无求、无怨无悔,

　　深度学习目前的应用领域很多，主要是计算机视觉和自然语言处理，以及各种预测等。对于计算机视觉，可以做图像分类、目标检测、视频中的目标检测等，对于自然语言处理，可以做语音识别、语音合成、对话系统、机器翻译、文章摘要、情感分析等。

　　对于刚入行深度学习，想从事人工智能工业应用和研发的小白来说，选择一个适合自己的深度学习框架显得尤为重要。那么在选择深度学习框架的时候，要注意哪些内容呢

　　通常我们在选择框架时要考虑易用性、性能、社区、平台支持等问题。初学者应该考虑容易上手的框架，偏工业应用的开发者可以考虑使用稳定性高、性能好的框架，偏研究性的开发者，一般选择易用而且有领先的模型基线的框架。

　　目前这个阶段，TensorFlow因为背靠谷歌公司这座靠山，再加上拥有庞大的开发者群体，而且采用了称为“可执行的伪代码”的Python语言，成为最受欢迎的主流框架之一。一些外围的第三方库(如Keras、TFLearn)也基于它实现了很多成果，Keras还得到TensorFlow官方的支持。TensorFlow支持的上层语言也在逐渐扩大，对于不同工程背景的人转入的门槛正在降低。

　　因此，对于刚入行深度学习的小白，TensorFlow是一个非常好的选择，掌握TensorFlow对以后的求职发展很有帮助。

Programming Libraries 编程库资源

我是一个“学习要敢于冒险和尝试”观念的倡导者。这是我学习编程的方式，我相信很多人也是这样学习程序设计的。先了解你的能力极限，然后去拓展你的能力。如果你了解如何编程，可以将编程经验很快借鉴到深入学习机器学习上。在你实现一个实际的产品系统之前，你必须遵循一些规则、学习相关数学知识。

找到一个库并且仔细阅读相关文档，根据教程，开始尝试实现一些东西。下面列出的是开源的机器学习库中最好的几种。我认为，并不是他们中的每一种都适合用在你的系统中，但是他们是你学习、探索和实验的好材料。

你可以从一个由你熟悉的语言编写的库开始学习，然后再去学习其他功能强大的库。如果你是一个优秀的程序员，你会知道怎样从一种语言，简单合理地迁移到另一种语言。语言的逻辑都是相同的，只是语法和API稍有不同。

R Project for Statistical Computing：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过R语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的****编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。

WEKA：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。

Mahout是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。

Scikit Learn:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。

Octave:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑 Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。

BigML:可能你并不想进行编程工作。你完全可以不通过代码，来使用 WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。

补充：

NLTK NLTK is a leading platform for building Python programs to work with human language data It provides easy-to-use interfaces to over 50 corpora and lexical resources such as WordNet, along with a suite of text processing libraries for classification, tokenization, stemming, tagging, parsing, and semantic reasoningLingPipe: 是一个自然语言处理的Java开源工具包。LingPipe目前已有很丰富的功能，包括主题分类（Top Classification）、命名实体识别（Named Entity Recognition）、词性标注（Part-of Speech Tagging）、句题检测（Sentence Detection）、查询拼写检查（Query Spell Checking）、兴趣短语检测（Interseting Phrase Detection）、聚类（Clustering）、字符语言建模（Character Language Modeling）、医学文献下载/解析/索引（MEDLINE Download, Parsing and Indexing）、数据库文本挖掘（Database Text Mining）、中文分词（Chinese Word Segmentation）、情感分析（Sentiment Analysis）、语言辨别（Language Identification）等API。

挑选出一个平台，并且在你实际学习机器学习的时候使用它。不要纸上谈兵，要去实践！

Video Courses视频课程

很多人都是通过视频资源开始接触机器学习的。我在YouTube和VideoLectures上看了很多于机器学习相关的视频资源。这样做的问题是，你可能只是观看视频而并不实际去做。我的建议是，你在观看视频的时候，应该多记笔记，及时后来你会抛弃你的笔记。同时，我建议你将学到的东西付诸实践。

坦白讲，我没有看见特别合适初学者的视频资源。视频资源都需要你掌握一定的线性代数、概率论等知识。Andrew Ng在斯坦福的讲解可能是最适合初学者的，下面是我推荐的一些视频资源。

Stanford Machine Learning斯坦福的机器学习课程：可以在Coursera上观看，这门课是由 Andrew Ng讲解的。只要注册，你可以随时观看所有的课程视频，从Stanford CS229 course下载讲义和笔记。这门课包括了家庭作业和小测试，课程主要讲解了线性代数的知识，使用Octave库。

Caltech Learning from Data加利福尼亚理工学院的数据分析课程：你可以在edX上学习这门课程，课程是由Yaser Abu-Mostafa讲解的。所有的课程视频和资料都在加利福尼亚理工学院的网站上。与斯坦福的课程类似，你可以根据自己的情况安排学习进度，完成家庭作业和小论文。它与斯坦福的课程主题相似，关注更多的细节和数学知识。对于初学者来说，家庭作业可能稍有难度。

Machine Learning Category on VideoLecturesNet网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。

“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard讲授：这是与机器学习竞赛者的对话，他们是一些实践中的R语言用户。这是非常珍贵的资源，因为很少有人会讨论研究一个问题的完整过程和究竟怎样做。我曾经幻想过在网上找到一个TV秀，记录机器学习竞赛的全过程。这就是我开始学习机器学习的经历！

Overview Papers综述论文

如果你并不习惯阅读科研论文，你会发现论文的语言非常晦涩难懂。一篇论文就像是一本教科书的片段，但是论文会介绍一个实验或者是领域中其他的前沿知识。然而，如果你准备从阅读论文开始学习机器学习的话，你还是可以找到一些很有意思的文章的。

The Discipline of Machine Learning机器学习中的规则：这是由Tom Mitchell编著的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。

A Few Useful Things to Know about Machine Learning：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。

我只是列出了两篇重要的论文，因为阅读论文会让你陷入困境。

Beginner Machine Learning Books给机器学习初学者的书

关于机器学习的书有很多，但是几乎没有为初学者量身定做的。什么样的人才是初学者呢？最有可能的情况是，你从另外一个完全不同的领域比如：计算机科学、程序设计或者是统计学，来到机器学习领域。那么，大部分的书籍要求你有一定的线性代数和概率论的基础。

但是，还有一些书通过讲解最少的算法来鼓励程序员学习机器学习，书中会介绍一些可以使用工具、编程函数库来让程序员尝试。其中最有代表性的书是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的话，你可以选择其中一本开始学习。

Programming Collective Intelligence: Building Smart Web 20 Applications：这本书是为程序员写的。书中简略介绍相关理论，重点以程序为例，介绍web中的实际问题和解决办法。你可以买来这本书，阅读，并且做一些练习。

Machine Learning for Hackers （中文版：机器学习:实用案例解析 ）：我建议你在阅读了《Programming Collective Intelligence》一书之后，再阅读这本书。这本书中也提供了很多实践练习，但是涉及更多的数据分析，并且使用R语言。我个人很喜欢这本书！

Machine Learning: An Algorithmic Perspective：这本书是《Programming Collective Intelligence》的高级版本。它们目的相同（让程序员开始了解机器学习），但是这本书包括一些数学知识，参考样例和phython程序片段。如果你有兴趣的话，我建议你在看完《Programming Collective Intelligence》之后来阅读这本书。

数据挖掘：实用机器学习工具与技术（英文版·第3版） ：我自己是从这本书开始了解机器学习的，那时是2000年这本书还是第一版。我那时是Java程序员，这本书和WEKA库为我的学习和实践提供了一个很好的环境。我通过这样的平台和一些插件，实现我的算法，并且真正开始实践机器学习和数据挖掘的过程。我强烈推荐这本书，和这样的学习过程。

Machine Learning（中文版：计算机科学丛书:机器学习 ）：这是一本很老的书，包括了一些规则和很多参考资料。这是一本教科书，为每个算法提供了相关讲解。

有一些人认为那些经典的机器学习教科书很了不起。 我也赞同，那些书的确非常好。但是，我认为，对于初学者来说，这些书可能并不合适。

Further Reading 继续阅读

在写这篇文章时，我认真思考了相关问题，同时也参考了其他人推荐的资料，以确保我没有遗漏任何重要参考资料。为了确保文章的完整性，下面也列出了一些网上流行的，可以供初学者使用的材料。

A List of Data Science and Machine Learning Resources:这是一份仔细整理的列表。你可以花一些时间，点击链接，仔细阅读作者的建议。值得一读！

What are some good resources for learning about machine learning Why：这个问题的第一个答案令人吃惊。每次我阅读这篇文章的时候，都会做好笔记，并且插入新的书签。答案中对我最有启发的部分是机器学习课程列表，以及相应的课程笔记和问答网站。

Overwhelmed by Machine Learning: is there an ML101 book：这是StackOverflow上的问题。并且提供了一系列机器学习推荐书籍。Jeff Moser提供的第一个答案是很有用的，其中有课程视频和讲座的链接。

人们登录“人形软件”，AI通过自主学习，1:1复刻用户的外表、兴趣和生活方式，成为用户在网络世界的虚拟代理人。这位“AI替身”能够与另一名用户的“人形软件”在虚拟世界中聊天、喝咖啡、逛街……在确定二者的匹配度后，高匹配度的两人将在真实世界正式见面。

这下可好，各位单身男女们省了不少事儿，一键登录，AI就可以帮用户自动选择约会对象，并完成基本的聊天，从而使在线相亲匹配简单化，人民公园相亲角的那些大爷大妈总算可以休息了，

而且，这可不是小说作者一厢情愿的幻想，近日，伦敦帝国理工学院研究人员对约会的未来状况作出了预测——到2025年，基因匹配和人工智能的结合，可以预测单身男女之间的吸引力和相容性，从而进行匹配。

爱情，这一人类永恒的主题，随着科技的发展，似乎发生了一些微妙的变化。

科学相亲时代，劝你不要太期待

近几年，网络婚恋交友行业发展迅速。根据艾瑞监测报告显示，2018q2中国网络婚恋交友服务PC端覆盖人数依次为938万人、1018万人和886万人，而在移动端，用户日均有效使用时长持续增长，Q2各月分别为6720万分钟、6847万分钟和7058万分钟，环比增长依次为－02%、19%和31%，网络婚恋移动端用户粘性持续提高。

但是，在这过去的几年里，在线婚恋行业也出现了不少问题，比如网恋骗局、用户交友疲劳、信息滥用等，面对这些难题，AI配对应运而生。通过大数据，深度学习，AI能够不断挖掘人们的相亲需求，进而使得相亲流程更加高效化和清晰化，在配对后期，AI还能对这段关系进行更长期的关注，提供测试、咨询等功能，这都是人工难以顾及到的。

目前，市面上的有AI元素的“红娘“也不少见，包括我们熟知的探探、网易花田，以及世纪佳缘、百合婚恋等网站，智能相对论（ID:aixdlun）在梳理了这些产品的底层AI逻辑后，发现所谓的智能配对，还是存在着一些缺陷，这主要体现在两个方面。

一方面，“AI红娘”基于社交信息为爱情定性。如今，各种各样的社交网络平台涌现了巨量而丰富的情感信息，AI能够挖掘网络上的文本信息，通过深度学习对网络文本进行细粒度的情感分析，进而达到即时获取人在网络世界的情感特征，美国的AI约会平台ViolaAI便是如此。

但AI如何能审查得了感情上的“真心实意”抑或“虚情假意”呢？在具体的操作中，交往过的男／女友，社交上的“摇一摇”匹配附近好友，说不定就成为了给当事人的爱情定性的重要指标。同时，人们的恋爱动机也会被AI看穿，而在恋爱自由的时代，你可能还会因为“不以结婚为目的的谈恋爱”受到算法的“歧视”。更敏感的是，食色性也。人性在男女关系上不一定经得起检验，检验工具却已就绪，我们做好它进入我们日常生活的准备了吗？

教学设计向深度学习的方法如下：

1、立足学生主体地位，助力深度学习开展

《义务教育诺文课程标准》强调，学生是课堂的主体、学习的主人。传统教学虽也强调学生为主休，但实际上却是教师在主导，学生大多是在被动学习，最终出现“一听就会，一讲就错”的现象，学牛的学习始终处于浅层状态。

只有进入深度学习，才能最终助力学生知识内化。具体教学巾，需要教师能够根据学习内容，通过情境创设、平台搭建等方式，引导学生进行白主、合作、探究学习。比如提前预习课文，通过查字典了解生字词，等等。

2、创设生木对话场景，探索深度学习路径

语文学习，不仅仅是理解识记，更多的还是“恬”。在“惜”中，学生实现了与作者、文木乃至编者的深度对话；在“悟”中，学生不仅对文木内容、主题进行了重构，而凡还能结合自己的理解生成新的理解。

这样不仅充分践行了教材只是例了作用，而且还为学生语文综合素养提升创造了条件。而要实现“悟”就需要教师在课前认真研读教材，在课中积极创设情境，搭建平台，引导学生与文本多元对话，并且推促他们思维逐步深入。

3、丰富学习情感体验，提升深度学习质效

研读文本，就必须深入对话，纵深休验文本所表达的情感。《义务教育语文课程标准》中强调，“欣赏文学作品，能有自己的情感体验，初步领悟作品的内涵，从中获得对自然、社会、人生的有益启示能说出白己的体验，品味作品中富于表现力的语言”。

因而在课堂教学中，教师要高度重视学生情感，尽可能借助文木内容，通过搭建平台、创设情境等策略，引导学生与文木、作者进行情感共鸣，在实现课堂教学日标，推促深度学习进行的同时，帮助他们健全人格,境育健康的人生观、价值观。