我的机器学习入门清单及路线！-优快云博客

Datawhale干货

作者：桔了个仔，南洋理工大学，Datawhale成员

知乎：https://www.zhihu.com/people/huangzhe

这是我个人的机器学习入门清单及路线，所以没有像很多收藏夹那样大而全，一来学不完，二来给自己压力。这是个人的路线。算是个人记录，也给大家参考，如有什么不足之处，欢迎指教。

前置知识及技能：
1、线性代数基础，如果没的话，还是先学了这门课在研究吧，不然会哭的。
2、学会python就行了。R也可以用用。
3、英语。起码能基本的听和读吧，感觉中文的资料还不够多，很难避免要看很多英文资料。建议学习某些教程时看英文版的tutorial，YouTube可以开字幕。

做了个流程图，来展示下我的学习路线。

除了入门课程外，其他四项其实不完全是按照流程的（但总体上是），有时实战时需要学新模型。有时学了某些模型再选方向也未迟。但是入门课程，尤其是Coursera那个，一定要看完了才开始后面的学习。下面给出每项的学习地址：

入门课程

1.Machine Learning | Coursera 周志华机器学习
入门首选，推荐只认识“机器学习”四个字但还不知道它是什么的学习。这些年机器学习的大多数年轻人靠这个入门。具体提纲我就不列了，免得增加篇幅。建议是直接按顺序一课课学，不要着急。在学完这个课程前，不要学后面的。

链接：https://www.coursera.org/learn/machine-learning

2.CS231n: Convolutional Neural Networks for Visual Recognition
Stanford最受欢迎的课之一。做图像识别的，就算不想搞图像识别，也会学到很多有用的通用的东西。

链接：http://cs231n.stanford.edu/

框架研究

TensorFlow。推荐一个简单的中文入门教程。主讲人是一个在美国读大学的中国留学生，讲得很有趣。国内的朋友可以在bilibili看（一样的）

B站链接：https://space.bilibili.com/16696495/#!/channel/detail?cid=1588

caffe
caffe是Facebook的开源框架。新的caffe2支持手机跑模型，可以说是非常先进了（当然手机性能嘛，就.....) 比较好的中文教程没有找到，望有人留言推荐。

链接：http://caffe.berkeleyvision.org/tutorial/

theano
没怎么研究这个，但这个教程看起来不错

链接：https://www.youtube.com/watch?v=OU8I1oJ9HhI

技巧，算法与模型

特征工程：

特征工程到底是什么？https://www.zhihu.com/question/29316149/answer/110159647

CNN:

卷积神经网络工作原理直观的解释？https://www.zhihu.com/question/39022858)

RNN:

循环神经网络RNN打开手册 https://zhuanlan.zhihu.com/p/22930328

你有哪些deep learning（rnn、cnn）调参的经验？https://www.zhihu.com/question/41631631

方向选择

机器学习领域，如何选择研究方向？https://www.zhihu.com/question/28689201

深度学习目前主要有哪些研究方向？https://www.zhihu.com/question/23140232

训练实战

阿里云天池：

天池大数据众智平台-数据科学家社区：https://tianchi.aliyun.com/?_lang=zh_CN

kaggle：一个竞赛网站，被谷歌收购后更火爆了。
地址：https://www.kaggle.com/

很多比赛是有奖金的，能拿个奖基本大把公司主动给你工作机会。可以从Titanic这个比赛开始。
Titanic: Machine Learning from Disaster：https://www.kaggle.com/c/titanic
要了解kaggle，我推荐一个不错的文章：https://zhuanlan.zhihu.com/p/25686876)

计算平台：

有的时候我们需要带GPU的平台跑代码，本地性能可能不是很够，推荐几个（有免费有收费）：

Kaggle. Kaggle可以用来当羊毛薅，你可以传自己的dataset上去，也可以用它提供的dataset。
Google Colab。等于一个免费的notebook环境，而且还能用GPU。
百度AI Studio。就是不支持tensorflow

篇幅虽然有点短，但是学起来还是很久的，一起加油。

觉得还不错就给我一个小小的鼓励吧！