如何从零起步学习AI

数据科学家的成长之路兼学习路线：如何学习ML/DL

前言

    我从2012年一直以一个业余研究者的身份开始学习机器学习，参考了诸多资料写了篇SVM模型的学习笔记。在一直想继续写但每每错不开时间的反复纠结中，于14年年底终于腾出时间，又开始写最大熵、adaboost、聚类、贝叶斯、LDA等模型的学习笔记。当然，很多很多的知识点和模型，还是了解的太浅，所以能有机会就继续学习。

    2015年年初正式创业，我们坚信好的内容依托于在线这个形式，一定可以让千千万万的人从中受益，践行我这几年来始终不变的唯一理想：创造价值 助千万人 领导行业 推动文明。所幸虽然15年全年一年磕磕绊绊，但最终还是所有问题都一一解决了。当然了，原本就没有达不成的目标、没有解决不了的问题、没有沟通不好的事情。然创业之累唯亲身经历创业之人才能真切体会，15年全年，基本没啥时间更新博客，除了终于把拖延了近3年之久的新书《编程之法：面试和算法心得》给出版了。我爱这本书，不管咋样 我付出了心血 对一些人起了帮助、对一些人有用。

    2016年，创业第二年。如在那篇CNN笔记中所写的那样：“我虽不参与讲任何课程，然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。”于是以一个学员之一的角度开始重写技术博客，谁叫我就是能“用最最小白的方式 把一些初看复杂的东西抽丝剥茧的通俗写出来”呢？写完CNN笔记之后，我们的深度学习课程也即将开始第二期，DL课程一期一期开，我当时想，除了上课听课之外，是不是可以和大家一起做点什么事情？这个时候，市场同事提议，我们可以做一些深度学习方面的实验，于是就有了利用DL学梵高作画、利用DL自动玩flappy bird等一系列有趣的深度学习实验，最终带动近1000人跟我们助教团队一起玩，不亦乐乎！

    迈入到今年2017年，刚好创业两年整。公司的学员从0到2万，讲师团队从1人到现在的总计21人，课程种类从2类到现在的11类，算是取得了一些成绩。在这两年过程中，我们始终坚持品质第一、内容第一，并时刻敢为人先，包括去年11月份国内首家推出GPU云实验平台，后来市场同事再次提议，何不在今年整个全年GPU呢，于是最近，我们推出了2017年会员：¥2999包揽全年全套数据课程和全年GPU云服务。

    回顾过去几年，从在博客里开始整理面试题，然后研究学习数据结构、算法，到后来开始学习机器学习、深度学习，及至15年创业，算是一直在与数据这个东西打交道，虽然自始至终始终是一个从门外窥探门内的业余研究者的身份，但到底是与数据科学渊源很深。

    借助公司七月在线越发的强大，依托它强大的讲师资源，和课程资源，我特意在新的一年给想学数据科学、机器学习、深度学习的朋友，整理一份《数据科学家的成长之路兼学习路线》，祝所有朋友新年再上新巅峰。

数据科学家的成长之路兼学习路线

    上面扯了一堆，现在直入主题。所谓万丈高楼平地起，搞数据科学、机器学习或深度学习，一开始至少得学会跟计算机打交道吧，怎么跟计算机打交道呢？编程。

第一步：学习编程

    实话说，计算机体系很庞大，除了语言、数据机构、算法之外，计算机体系结构、操作系统、网络、数据库等等领域庞大。但不管怎样，学习如何编写代码、如何编程是必需的。学完语言、数据结构、算法等基础知识后，如何更进一步提高编程能力呢？上LeetCode刷题成为很多人的不二之选。

推荐教程：《面试求职算法班》、《LeetCode直播刷题班》

第二步：扎实数学

    数学是搞数据科学的必备基础，数学不扎实，机器学习里很多原理、推导、公式便无法理解透彻，比如单单一个SVM就涉及到求导、凸优化等数学知识。所以如果数学忘了，很有必要复习并重新扎实数学基础。

涵盖内容：微积分、数理统计与概率论、矩阵、凸优化
推荐书籍：数理统计学简史、矩阵分析与应用by张贤达、凸优化(Convex Optimization)

推荐课程：《 机器学习中的数学班》

第三步：掌握适合数据科学的Python

    python在当今的数据分析很热，广泛应用于金融、电商等领域的大数据分析，也非常适合数据工作者利用它处理数据，所以Python在数据领域应用的越来越广泛。

推荐教程：《Python基础入门班》、《 Python数据分析班》、《Python爬虫项目班》

第四步：开始学习机器学习

    机器学习技术在很多领域应用广泛，包括在数据挖掘、搜索、推荐、广告、自然语言处理等等中。所以学好机器学习，是搞更多应用领域的前提条件。此外，学习机器学习，不单单只是学习一个个模型、算法就足够，因为实际的机器学习工作中，分析问题、处理数据、处理特征占绝大部分工作。所以不要以为看到一个课程涵盖许许多多的模型/算法就以为捡到了宝，看一个ML课程有没有工业实战，最快速的判断标准之一就是看它讲不讲以及是否能讲好特征工程、模型调优等工程点。

推荐书籍：PRML

推荐课程：《 机器学习班》

第五步：再进一步之学习DL

    得益于计算机越发强大的计算能力，神经网络的加强版深度学习（权且容许我这么不专业的叫法）越发火热，从AlphaGo、无人驾驶再到最近的AlphaGo 2.0横扫中日韩顶级棋手，AI可谓出尽了风头，在这个人工智能与大数据的时代，不学点AI，都不好意思出门跟人打招呼说我是搞计算机技术的了。

推荐课程：国内首家提供GPU云平台实战的《 深度学习课程》

第六步：做实验及上kaggle实战

    纸上得来终觉浅、绝知此事要躬行。理论学习再多最终还是要实战。为降低门槛起见，你可以从做一个一个有趣的深度学习实验开始，比如学梵高作画、自动玩flappy bird等等。然后，在kaggle上多刷刷一些数据竞赛项目

推荐课程：除了上面本身便有实战的机器学习、深度学习课程之外，还推荐《 kaggle案例实战班》、《机器学习项目班》、《深度学习项目班》

第七步：实习或工作

    如果你是想做数据挖掘、计算机视觉、自然语言处理，可以继续学相关的课程： https://www.julyedu.com/route。此外，很多经典最新论文值得一读。如果足够了，那就正式出山到实际江湖上闯一闯吧：找份工作，干一把！

推荐公司：有资源、有数据的偏大型一点的公司

参考文献

1. 《数据科学家的成长之路兼学习路线》
2. 《七月在线年会员：¥2999包揽全年全套数据课程和全年GPU云服务》
3. 《教你从头到尾利用DL学梵高作画：GTX 1070 cuda 8.0 tensorflow gpu版》
4. 《教你从头到尾利用DQN自动玩flappy bird（全程命令提示，GPU+CPU版）》
5. 《机器学习中的数学班》
6. 《Python数据分析班》
7. 《10月机器学习算法班》
8. 《11月深度学习班》
9. 《kaggle案例实战班》
10. 《如何入门机器学习》

后记

    关于我所在公司七月在线，有三句话可以介绍之：1 国内最早、最专业、同时也是规模最大的数据教育机构，2 唯一一家拥有数据科学完整课程体系，3 全球首家提供全年GPU云服务。

    另，关于学习数据科学难不难，一句话可概括之：只要你想学、你想做，没有你学不好、做不成的事情。

    七月在线July、二零一七年一月十五日。