機器學習建議

搜尋微信公眾號:‘AI-ming3526’或者’計算機視覺這件小事’ 獲取更多機器學習乾貨
csdn：https://blog.csdn.net/baidu_31657889/
github：https://github.com/aimi-cn/AILearners

搜尋微信公眾號:AI-ming3526

學習機器學習需要一定的數學基礎，但是僅僅是一點數學基礎，不要被這些嚇壞了，各位都是大佬，拿起鍵盤就是幹。

我就根據自己的一點點經驗來分析一下應該怎麼學----

首先需要的是兩個放棄：

1. 放棄海量資料！

沒錯，就是放棄海量資料！在我們想要入門機器學習的時候，往往會蒐集很多資料，什麼 xx學院機器學習內部資源、機器學習從入門到進階百 G 資源、xx 人工智慧教程，等等。很多時候我們拿著十幾 G、幾百 G 的學習資源，然後踏踏實實地放到了某雲盤裡存著，等著日後慢慢學習。殊不知，有 90% 的人僅僅只是蒐集資料、儲存資料而已，放在雲盤裡一年半載也忘了開啟學習。躺在雲盤的資料很多時候只是大多數人“以後好好學習”的自我安慰和“自我”安全感而已。而且，面對海量的學習資料，很容易陷入到一種迷茫的狀態，最直接的感覺就是：天啊，有這麼多東西要學！天啊，還有這麼多東西沒學！簡單來說，就是選擇越多，越容易讓人陷入無從選擇的困境。

所以，第一步就是要放棄海量資料！而是選擇一份真正適合自己的資料，好好研讀下去！

2. 放棄從零起步！

說到入門，很多人會想著那就要從最基礎的知識開始學起！機器學習是一門融合概率論、線性代數、凸優化、計算機、神經科學等多方面的複雜技術。學好機器學習需要的理論知識很多，有些人可能基礎不是特別紮實，就想著從最底層的知識開始學起，概率論、線性代數、機器學習凸優化公式推導，等等。但是這樣做的壞處是比較耗時間，而且容易造成“懈怠學習”，打消學習的積極性。因為啃書本和推導公式相對來說是比較枯燥的，遠不如自己搭建一個簡單的迴歸模型更能激發自己的學習積極性。當然，不是說不需要鑽研基礎知識，基礎理論知識非常重要！只是說，在入門的時候，最好先從頂層框架上有個系統的認識，然後再從實踐到理論，有的放矢的查缺補漏機器學習知識點。從巨集觀到微觀，從整體到細節，更有利於機器學習快速入門！而且從學習的積極性來說，也起到了“正反饋”的作用。

3、機器學習入門學習路線

好了，談完了機器學習入門之前的兩個“放棄”之後，我們就在介紹一下入門路線。

3.1 數學基礎

個人認為首先需要的數學基礎：概率論、矩陣論以及微積分。沒有也不要緊，邊看邊學，看到不會的查一下就行了。

【免費】數學教學視訊 - 可汗學院 入門篇

概率	統計	線性代數
可汗學院(概率)	可汗學院(統計學)	可汗學院(線性代數)

3.2、然後就是機器學習基礎了

吳恩達老師的視訊毫無疑問是經典

【免費】機器/深度學習視訊 - 吳恩達

機器學習	深度學習
吳恩達機器學習	神經網路和深度學習

然後推薦一個比較偏向基礎的 國內一群大佬錄得機器學習視訊 比吳恩達老師的稍微好懂點

機器學習實戰-ApacheCN 中文開源組織

大致內容就是帶著學習了《機器學習實戰》這本書來做的

機器學習實戰書籍

機器學習實戰視訊

3.3、進階

基本上完成上述課程就算是入門了。接下來可以根據自己的興趣和方向，有的放矢。例如主攻 CV 方向，可以繼續學習史丹佛 CS231n 課程：

CS231n: Convolutional Neural Networks for Visual Recognition

如果主攻 NLP 方向可以學習史丹佛 CS224n 課程：

CS224n: Natural Language Processing with Deep Learning

當然，臺大李宏毅的課程也很不錯：

Hung-yi Lee

當然這些國內都會有對應大佬有視訊的翻譯(b站) 感興趣的自己找找