機器學習工程師自學指南！
本文將會介紹機器學習的方方面面，從簡單的線性迴歸到最新的神經網路，你不僅僅能學會如何使用它們，並且還能從零進行構建。
以下內容以計算機視覺為導向，這是學習一般知識的最快方法，並且你從中獲得的經驗可以很容易地遷移到機器學習的其他領域。
本文我們將會使用TensorFlow作為機器學習框架。
學習是一個多維因素作用的結果，所以如果能基於學習資料，理論和實踐並重，學習效果會好很多。另外，還有一個很好的實踐方法是參與Kaggle競賽，通過競賽的形式解決實際生活中的問題，從而鞏固此前所學。
（要求：關於Python，你無需達到專家級別，但要很好地掌握基礎知識）
1.課程
1.1 實用機器學習（約翰霍普金斯大學）
1.2 機器學習（史丹佛大學）
以上兩個課程會教你一些資料科學和機器學習的基礎知識，也有助於你對更有難度知識的學習和掌握。
1.3 CS231n：面向視覺識別的卷積神經網路 2017 (2016)
該課程是網上關於ML & CV最好的課程之一，不僅能讓你瞭解這裡邊的水有多深，還能為你進一步的研究探索打下良好的基礎。
1.4 深度學習（Udacity的課程）
1.5 CS224d：面向自然語言處理的深度學習
1.6 深度學習相關的電子書（涵蓋了ML的方方面面）
leonardoaraujosantos.gitbooks.io/artificial-…
2.實戰
以下是課程和專案列表，有助於理解執行原理並找到提升辦法。
2.1. Tensorflow 相關的簡單練習課
2.2. Tensorflow cookbook
2.3. Tensorflow-101教程部分
2.4. 如何使用神經網路實現影像風格遷移。
2.5 影像分割
2.6 使用SSD實現物體識別
2.7 面向物體識別和分割的快速掩膜RCNN
2.8 強化學習，對搭建一個機器人或者Dota AI非常有用。
2.9 Google Brain團隊的Magenta專案
2.10 深度度雙邊學習實時影像增強
groups.csail.mit.edu/graphics/hd…
2.11 自動駕駛汽車專案
3. FAQ
學習過程中遇到困難怎麼辦？
首先，你必須明白機器學習不是100%精確的，大多數情況下只是一個很好的猜測並且需要大量的調整迭代。因此，在大多數情況下，想出一些獨特的想法是非常困難的，因為你的時間和資源大多會花在訓練模型上。所以不要試圖獨自找出解決方案，你可以搜尋論文、專案以及找可以幫助你的人。可以說，在獲得經驗方面越快越好。
以下這些網站可以幫得到你：
為什麼論文不能完全解決問題，或者在一些特定情況下為什麼論文被驗證是錯的？
很遺憾的說，並不是所有的科技人員都願意公開自己的研究成果，但他們需要通過發表論文來獲得收益或者名望。所以他們中的一些人只公佈了一部分材料，或者給出了錯誤的公式。所以我們最好搜尋程式碼，而不是論文。論文只是解決了特定問題的證據或者事實。
從哪裡查詢最新的學習資料？
-
www.gitxiv.com/，不僅能找到最新論文，還能找到所需要的程式碼。
用雲端計算還是桌上型電腦/膝上型電腦？
在有大量計算需求的情況下，雲端計算是最好的選擇。對於學習和測試，使用帶有支援CUDA的顯示卡的PC/膝上型電腦要便宜得多。當然，如果你有免費雲資源或多餘資金，還是使用雲比較好。
如何提高調超引數技能？
訓練中的主要問題是時間，你不可能一直坐在那裡盯著訓練資料，因此建議你使用Grid Search。只需要建立一組超引數和模型架構，一個接一個的執行，並儲存結果。這樣你就能晚上訓練，在接下來的一天對比結果，直至找到最有希望的那個。
你可以看看如何在sklearn庫中完成這個操作：
作者 | Andrey Nikishaev
原文地址：
https://medium.com/machine-learning-world/learning-path-for-machine-learning-engineer-a7d5dc9de4a4