如何自學人工智慧路徑規劃（附資源，百分百親身經驗）

下面的每個資源都是我親身學過的，且是網上公開公認最優質的資源。

下面的每個學習步驟也是我一步步走過來的。希望大家以我為參考，少走彎路。

請大家不要浪費時間找非常多的資料，只看最精華的！

綜述，機器學習的自學簡單來說分為三個步驟

前期：知識儲備包括數學知識，機器學習經典演算法知識，程式設計技術（python）的掌握

中期：演算法的程式碼實現

後期：實戰水平提升

機器學習路徑規劃圖

一、數學基礎

很多人看到數學知識的時候就望而卻步，數學是需要的，但是作為入門水平，對數學的要求沒有那麼的高。 假設你上過大學的數學課（忘了也沒事），需要的數學知識啃一啃還是基本能理解下來的。

1.1、數學內容

線性代數：矩陣/張量乘法、求逆，奇異值分解/特徵值分解，行列式，範數等

統計與機率：機率分佈，獨立性與貝葉斯，最大似然(MLE)和最大後驗估計(MAP)等

最佳化：線性最佳化，非線性最佳化(凸最佳化/非凸最佳化)以及其衍生的如梯度下降、牛頓法等

微積分：偏微分，鏈式法則，矩陣求導等

資訊理論、數值理論等

上面的看不太懂沒事，不是特別難，學習一下就能理解了。

1.2、數學資源

網上有很多人會列舉大量大量的課程資源，這是非常不負責任的事，學完那些我頭髮都得白了。 實際上，我們只需要學習其中的一部分就夠了。

1.2.1、吳恩達的史丹佛大學機器學習王牌課程CS229，課後就有對學生數學知識的要求和補充，這些數學知識是完全符合機器學習要求的，不多也不少。牆裂推薦要看，不過只有英文版的。

連結： 密碼：3k3m

1.2.2、深度學習的三大開山鼻祖之一Yoshua Bengio寫的深度學習（包含了機器學習）領域的教科書，現在以開源的形式在網上公開。這部書被譽為深度學習的聖經。在這裡我們只看這本書的第一部分，也就是數學基礎。囊括了機器學習所需的所有必備數學基礎，而且是從最基礎的說起，也不多，必讀的。

連結： 密碼：6qqm

1.2.3、跟機器學習演算法相結合的數學知識。上面兩部分是理論層面的數學，機器學習演算法中會對這些數學進行應用。

連結：，知乎專欄上的一篇好文章，囊括了所有的應用知識點。

好了，數學方面我只推薦上面三個資源，三個都是必看的。裡面很多可能你現在看不太懂，沒關係。先大概過一遍，知道自己的數學水平在哪。在看到演算法知識的時候，不懂的再回來補就好。後期需要更多的數學資料我會再更新的。

二、 程式設計技術

程式語言：python3.5及以上，python易學，這個這期先不細講。

三、經典演算法知識

演算法包括機器學習和深度學習，機器學習是深度學習的基礎。所以務必先學機器學習的經典演算法，再學深度學習的演算法。

3.1、機器學習

3.1.1、課程資料

首推吳恩達的CS229，經典中的經典，在網易公開課裡有影片，翻譯，課程講義，筆記是非常非常完備的。牆裂推薦。 這個課程對數學有一定的要求 ，但我覺得只要你上過大學的數學，然後補一下上面的數學，完全可以直接來看這個CS229。

假設你的數學真的很差的話，怎麼辦？吳恩達在coursera上也開了一門跟CS229完全匹配的課程，coursera機器學習課。這門課是CS229的翻版，唯一不同的是它對數學基本是沒有要求了，如果你對數學真的不懂的話，那就先看這個的教程吧。它跟CS229的關係就是同樣的廣度，但是深度淺很多，不過你學完coursera還是要回過頭來看CS229的。這個也是免費的。

CS229課程影片：

課程講義和中文筆記： 密碼：6rw6

3.1.2、配套書籍：

機器學習實戰，必看。用程式碼實現了一遍各大經典機器學習演算法，必須看，對你理解演算法有很大幫助，同時裡面也有應用。 如果大家看上面純理論的部分太枯燥了，就可以來看看這本書來知道在現實中機器學習演算法是怎麼應用的，會很大程度提升你的學習興趣 ，當初我可是看了好幾遍。

書籍及課後程式碼：連結： 密碼：sawb

李航《統計學習方法》，配合著看

連結： 密碼：adep，配合著看

周志華《機器學習》，機器學習的百科全書，配合著看。

連結： 密碼：7rzl

3.2、深度學習

說到深度學習，我們不得不提史丹佛的另一門王牌課程CS231，李飛飛教授的。這門課的課程，課後習題，堪稱完美。必須必須看。整個系列下來，特別是課後的習題要做，做完之後你會發現，哇哦！它的課後習題就是寫程式碼來實現演算法的。這個在網易雲課堂上有。

影片地址：

課程筆記翻譯，知乎專欄：

牆裂建議要閱讀這個知乎專欄，關於怎麼學這門課，這個專欄寫的很清楚。

課後作業配套答案：https://blog.csdn.net/bigdatadigest/article/category/7425092

3.3、學習時間

到這裡了，你的機器學習和深度學習算是入門了。學完上面這些，按一天6小時，一週六天的話，起碼也得三個月吧。上面是基本功一定要認真學。但是，還找不了工作。因為你還沒把這些知識應用到實際當中。

3.4、實戰部分

3.4.1、實戰基礎

這一個階段，你要開始用tensorflow（谷歌的深度學習框架）、scikit-learn（python的機器學習框架），這兩個框架極大程度地整合了各大演算法。其實上面在學習cs231n的時候你就會用到一部分。

scikit-learn的學習：

這是scikit-learn的官方文件中文版翻譯，有理論有實戰，最好的庫學習資源，沒有之一。認真看，傳統的機器學習就是用這個庫來實現的。

Tensorflow的學習：

官方文件很詳盡，還有實戰例子，學習tensorflow的不二之選

3.4.2、實戰進階

僅僅看這兩個教程是不夠的，你需要更多地去應用這兩個庫。

接下來推薦一部神書，機器學習和深度學習的實戰教學，非常非常的棒，網上有很多號稱實戰的書或者例子，我看了基本就是照搬官網的，只有這一本書，是完全按照工業界的流程解決方案進行實戰，你不僅能學習到庫的應用，還能深入瞭解工業界的流程解決方案，最好的實戰教學書，沒有之一。書名是hands-on-ml-with-sklearn-and-tf

連結： 密碼：xssj

3.4.3、實戰最終階段

kaggle資料競賽，如果你已經學到了這一步，恭喜你離夢想越來越近了：對於我們初學者來說，沒有機會接觸到機器學習真正的應用專案，所以一些比賽平臺是我們不錯的選擇。參加kaggle競賽可以給你的簡歷增分不少，裡面有入門級別到專家級別的實戰案例，滿足你的各方面需求。如果你能學到這一步了，我相信也不需要再看這個了。

上述所有資料的合集： 密碼：ve75

補充：

學到這個水平，應該是能夠實習的水平了，還有很多後面再說吧。比如深度學習和機器學習的就業方向，深度學習得看論文，找工作還得對你得程式設計基礎進行加強，具體就是資料結構與演算法，我當年在這個上面可是吃了很大的虧。

這裡面關於深度學習和機器學習的就業其實是兩個方向，上面的其實也沒有說全。一般來說，你得選擇一個方向專攻。我建議的是，自學的最好在後期側重機器學習方向，而不是深度學習。深度學習的崗位實在是太少，要求太高。機器學習還算稍微好點。

重點：上面的學習路徑是主要框架，但是不意味著僅僅學習這些就夠了。根據每個人基礎的不同，你有可能需要另外的學習資料補充。但是，我希望大家可以按照上面的主框架走，先按上面我推薦的資源學，有需要的再去看別的（我之後也會推薦），上面的我能列出來的都是最經典的，最有效率，而且我親身學過的。

後續文章：

上面每個學習步驟還可以細分開來，這是接下來文章的重點。比如python怎麼學，cs229和cs231學習過程中會碰到什麼困難，kaggle怎麼用，數學還跟不上怎麼辦？後續都會一一說明。

歡迎轉載，但請註明出處，尊重作者，謝謝大家了！

文章首發，討論學習，個人公眾號：learningthem

更多幹貨，會繼續分享