博客 | 一份中外結合的 Machine Learning 自學計劃

2021-02-13 機器學習研究組訂閱

看了Siraj Raval的3個月學習機器學習計劃的視頻，感覺非常好，地址：https://www.youtube.com/watch?v=Cr6VqTRO1v0結合一些我們學習中的經驗得出一份Hybrid的機器學習自學計劃。

根據Siraj的建議：機器學習的涉及的知識比例分布的

35%線性代數

25%概率論和統計學

15%微積分

15%算法及其複雜性

10%是數據預處理知識

強烈建議訂閱：Siraj Raval 的youtube 看他的視頻非常舒服，一種非常獨特的學習方式而且和有用，地址是：https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A。

reddit這個網站大家可能不太熟悉，但是它已經全美流量排名第四，僅次於Google，YouTube和Facebook，上面內容質量很高，非常專注，下面這個地址是機器學習的subreddit：https://www.reddit.com/r/MachineLearning/。

  第一個月：數學

線性代數

看Gillbert Strang教授的教程足夠了：https://www.youtube.com/playlist?list=PL49CF3715CB9EF31D。

為什麼不推薦中國大學的數學課程呢，其實網易公開課上有跟大學裡線性代數課程基本一致需要雖然是中文但是學習起來還是有難度的，沒什麼互動，如果是為了考試那還好。Gillbert Strang教授講的更多是思考方式以及原理和各種形象的比喻，這種方式更適合我們在職學習，加強理解和思考。

注意：一定做筆記，不能只是聽或者看，一定要做筆記，記錄要點，疑問，自己的想法等等，這個非常重要，是決定你能否學習好的關鍵。昨天看到了一位名叫Tess Ferrandez的小姐姐在推特上分享了一套自己的吳恩達老師的課程筆記，再看看我自己以前的筆記，真是非常害羞，世界上最難受的事情就是比你厲害比你努力的人做的筆記顏值也比你高，地址在這裡：https://www.slideshare.net/TessFerrandez/notes-from-coursera-deep-learning-courses-by-andrew-ng

附上一張圖片，大家看看：

微積分

3Blue1Brown的微積分的本質，老師當時就是看這個視頻理解微積分的，老師笨，看了8遍左右吧，個別的視頻看了15遍以上，沒毛病是真實情況，因為每一段視頻並不長，適合反覆看，同時也能提高英語能力。

https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr。

概率和統計

edX（麻省理工和哈佛大學聯手創建的開放在線課堂平臺）有一門很好的課程叫做「科學的不確定性」

https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2。

  第二個月：機器學習

這裡我們按照Siraj的建議來

相關地址如下：

python

https://www.youtube.com/watch?v=T5pRlIbr6gg

The Math of Intelligence

https://www.youtube.com/watch?v=xRJCOz3AfYY

Tensorflow

https://www.youtube.com/watch?v=2FmcHiLCwTU

Udacity

https://eu.udacity.com/course/intro-to-machine-learning--ud120

機器學習開源項目

https://github.com/NirantK/awesome-project-ideas。

  第三個月深度學習

深度學習要用到大量的計算，需要GPU，即使剛入門也需要，買一塊NVIDIA Tesla k80的GPU的價格2500美金，好吧。但是非常幸運的是google為我們提供了一塊免費的GPU可用：註冊google的帳號，登陸進去，訪問：https://colab.research.google.com 然後盡情的使用了。

視頻教程推薦看Siraj本人的：https://www.youtube.com/watch?v=vOppzHpvTiQ

另外一個全世界都說好的是Fast.AI的課程，http://course.fast.ai/

最後呢附上一些深度學習的開原始碼，也可以自己實現一下，傳到自己的github上 https://github.com/llSourcell?tab=repositories。

  總結

介紹了一份機器學習的自學計劃和相關資源，每天保證2個小時的專注學習時間，重點是多思考和找到解決問題的套路，不要把自己的大腦當作是固態硬碟來存數據，要把自己的大腦當作是CPU或者是GPU，是用來計算的。

想要了解更多資訊，請掃描下方二維碼，關注機器學習研究會

                                          

轉自： AI研習社

相關焦點

  • awesome-adversarial-machine-learning資源列表
    發現一個不錯的awesome-adversarial-machine-learning的資源列表，有需要的同學可以查看訪問：
  • Machine Learning-模型調優備忘錄
    調參的直覺：這個就很「玄學」了，但其實都是一些經驗，當你調的參足夠多，也可以大致可以對這些不同算法的參數有了自己的理解，自然就有了這些所謂的「直覺」。隨機搜索：在N維參數空間按某種分布（如正態分布）隨機取值，因為參數空間的各個維度的重要性是不等的，隨機搜索方法可以在不重要的維度上取巧。
  • 技術詞條 | 機器學習(Machine Learning)篇
    An overview of machine learning. In Machine learning (pp. 3-23). Springer Berlin Heidelberg.Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning.
  • 教你Machine Learning 玩轉金融入門Notes
    學習宏觀和machine learning之後發現這兩個真是天生一對，這也是我為什麼想要寫這篇文章。 (對宏觀感興趣的童鞋可以參見我之前在知乎上寫的一篇自學筆記《Macro入門note》) 對於個人而言，如果自己沒有相應對數據進行處理的能力(這裡不單單包括machine learning)，那麼相對其他人的edge就會越來越被限制，直到被市場淘汰。 那也許就有人會問，以後是不是金融領域就全部招程式設計師和data scientist，不需要基金經理了呢？
  • 數據工程師進階計劃,這有一份2019開年自學清單
    本文給出了針對小白和有簡單數據科學基礎的同學的學習計劃，可以讓你在浩如煙海的數據科學學習資料中找到自己的興趣。萬事開頭難。我先假設你是一個超級小白，你可以做出一個六個月學習計劃以及讀書清單進度表來給自己首先樹立自信。
  • 吳恩達新書《Machine Learning Yearning》附完整中文版 PDF 下載!
    該書中文版 GItHub 地址：https://github.com/deeplearning-ai/machine-learning-yearning-cn在線閱讀：https://deeplearning-ai.github.io/machine-learning-yearning-cn
  • 前沿資訊007|Machine Learning、Cloud Computing、Mobile Payment
    It begins by briefly overviewing some themes from the literature on machine learning, and then draws some contrasts with traditional approaches to estimating the impact of counterfactual policies in economics
  • 談談機器學習(Machine Learning)大家
    閒著無事，想寫點一些我所了解的machine learning大家。
  • 《Python 機器學習》-Python Machine Learning(附電子版 pdf)
    書籍對應代碼：https://github.com/rasbt/python-machine-learning-book-2nd-edition資源下載：為了方便大家，附上雲盤下載連結，長按掃碼關注：機器學習算法那些事
  • Machine Learning 入門指南(MOOC版)
    我真的很弱很弱，讀研的方向也不是ML，所有東西都是憑興趣自學的。MOOC可以起到一個很好的入門作用，但是我覺得還是有部分缺陷的，下面我會仔細說明下自己的觀點。第一次接觸ML是大二暑假學的那門Andrew Ng在Coursera開設的Machine Learning課程。
  • Machine Learning-算法匯總介紹
    經典問題：classification and regression.（分類與回歸）經典算法：Logistic Regression and the Back Propagation Neural Network.（邏輯回歸算法與BP神經網絡算法）
  • 機器學習(Machine Learning)&深度學習(Deep Learning)資料(之一)
    涵蓋了deep learning裡各種tricks，引用非常全面.3．《A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library》 介紹:這是一份python機器學習庫,如果您是一位python工程師而且想深入的學習機器學習.那麼這篇文章或許能夠幫助到你.4．
  • X-ray Imaging through Machine LearningI 本周物理學講座
    報告人：Ge Wang，Rensselaer Polytechnic Institute時間：8月9日（周四）15:00單位：中科院高能所地點：化學樓C305Computer vision and image analysis are great examples of machine
  • Machine Learning+宏觀經濟學入門長文
    金融和統計背景介紹二. machine learning各個方法和在trading上的應用2.1 Supervised Learning: Regressions 2.2 Non-Parametric Regression: K-Nearest Neighbor and LOESS2.3 Tree Based Method ( Random Forest 和
  • 3.6 Google Machine Learning線上講座
    美東時間本周三7:30PM-8:30PM，BRC邀請谷歌一線工程師，為大家詳細解答上述問題，幫助大家開啟機器學習的大門講座內容：What is machine learningTypesof machine learningApplications of machine learningConcepts of machine learningSkills to get a ML-related job導師簡介：AI工程師，現就職於Google，5年以上數據相關工作經驗，在Big Data, Machine Learning,
  • Auto Machine Learning 自動化機器學習筆記
    自動學習樣本數據: meta-learning，去學習樣本數據的模樣，自動推薦合適的模型。比如文本數據用什麼模型比較好，比如很多的離散數據用什麼模型好。自動調超參：Bayesian optimizer，貝葉斯優化。
  • 【預告】施汝為系列講座 | 武漢大學劉惠軍教授:Machine learning in the study of ...
    主題：Machine learning in the study of thermoelectric and topological materials主講人：劉惠軍 教授單位：武漢大學主辦方：合肥微尺度物質科學國家研究中心
  • Deep Learning & Neural Network 免費學習資源【譯】
    Machine Learning by Andrew Ng連結地址<https://www.coursera.org/learn/machine-learning>    如果你是完全的機器學習、神經網絡新手，這個課程應該是你最好的first-step.吳恩達的這門機器學習課程在國內的知曉率也是不言而喻的。
  • 開源《Python 機器學習》-Python Machine Learning第一版+第二版(附電子版 pdf)
    書籍對應代碼：https://github.com/rasbt/python-machine-learning-book-2nd-edition二、主要內容值得一提的是第二版在第一版的基礎上增加了不少新的內容，完整的書籍目錄如下：
  • 《Python 機器學習》-Python Machine Learning第一版+第二版(附電子版 pdf)
    書籍對應代碼：https://github.com/rasbt/python-machine-learning-book-2nd-edition二、主要內容值得一提的是第二版在第一版的基礎上增加了不少新的內容，完整的書籍目錄如下：