目录
制作人工智能，机器学习和深度学习课程的资源汇编。
关于制定课程的一般建议
去学校参加正式学位课程并不总是可行或可取的。对于那些考虑自学选择的人，这适合你。
1.建立基础，然后专注于感兴趣的领域。
你无法深入研究每一个机器学习主题。有太多东西需要学习，而且这个领域正在迅速发展。掌握基础概念，然后专注于特定兴趣领域的项目 - 无论是自然语言理解，计算机视觉，深度强化学习，机器人学还是其他任何领域。
2.围绕个人兴奋的主题设计课程。
对于某些长期学术或职业目标而言，动机远比微观优化学习策略更为重要。如果你玩得开心，你会快速进步。如果你试图强迫自己前进，你会放慢速度。
我们已经包含了我们亲自探索或强烈推荐的资源。这份清单并非详尽无遗。有无穷无尽的选择，太多的选择会适得其反。但是，如果我们缺少的是属于这里一个巨大的资源，请伸手！
基金会
程序设计
语法和基本概念：Google的Python类，艰难学习Python。
练习：Coderbyte，Codewars，HackerRank。
线性代数
深度学习书，第2章：线性代数。快速回顾与机器学习相关的线性代数概念。
Nalini Ravishanker和Dipak Dey的线性模型理论第一课程。在统计上下文中引入线性代数的教科书。
概率与统计
麻省理工学院18.05，概率与统计学概论，由Jeremy Orloff和Jonathan Bloom教授。为概率推理和统计推断提供直觉，这对理解机器如何思考，计划和制定决策非常有用。
所有统计数据：统计推断的简明课程，由Larry Wasserman撰写。关于统计数据的介绍性文本。
微积分
可汗学院：微分学。或者，任何入门微积分课程或教科书。
Stanford CS231n：由Justin Johnson编写的衍生物，反向传播和矢量化。
机器学习
培训
Andrew Ng 关于Coursera 的机器学习课程（或者，更严格的是斯坦福CS229）。
数据科学训练营：Galvanize（全职，3个月，$$$$），Thinkful（灵活的时间表，6个月，$$）。
教科书
Gareth James等人的统计学习导论。基本机器学习概念的优秀参考，可在线免费获得。
深度学习
培训
Deeplearning.ai，Andrew Ng的入门深度学习课程。
CS231n：用于视觉识别的卷积神经网络，斯坦福大学的深度学习课程。有助于建立基础，有吸引力的讲座和说明性的问题集。
项目
Fast.ai，一个有趣且实用的基于项目的课程。项目包括对狗与猫的图像进行分类并生成尼采文字。
MNIST手写数字分类与TensorFlow。使用Google的本教程，在3小时内对手写数字进行分类，准确度大于99％。
在Kaggle比赛中尝试一下。使用GitHub上的其他版本作为参考资料，实现您感兴趣的深度学习论文。
阅读
深度学习书，又名深度学习圣经，由Ian Goodfellow，Yoshua Bengio和Aaron Courville撰写。
神经网络和深度学习，迈克尔尼尔森的一个清晰易懂的在线深度学习文本。结束关于达到人类智慧的评论。
深度学习论文阅读路线图，由年表和研究领域组织的主要论文汇编。
强化学习
培训
John Schulman的CS 294：伯克利的深度强化学习。
David Silver 在伦敦大学学院的强化学习课程。
Deep RL Bootcamp，由OpenAI和加州大学伯克利分校组织。应用程序目前已关闭，但值得关注以后的会话。
项目
来自Pixels的 Andrej Karpathy的Pong。在130行代码中从头开始实现Pong-playing代理。
Arthur Juliani使用Tensorflow系列进行简单强化学习。使用TensorFlow实施Q-learning，政策学习，演员评论方法和探索策略。
请参阅OpenAI 针对更多项目创意的研究请求。
阅读
Richard Sutton的书，强化学习：简介。
人工智能
人工智能： Stuart Russell和Peter Norvig的现代方法。
Sebastian Thrun的Udacity课程，人工智能简介。
奖学金：洞察AI研究员计划，Google Brain Residency计划
人工智能安全
对于简短版本，请阅读：（1）Johannes Heidecke的人工智能风险，（2）OpenAI和Google Brain 在人工智能安全方面的具体问题上的合作，以及（3）等待但为什么关于AI革命的文章。
对于更长的版本，请参阅尼克博斯特罗姆的超级智能。
查看机器智能研究所（MIRI）和Future of Humanity Institute（FHI）发布的关于AI安全性的研究。
在Reddit上与ControlProblem保持同步。
简讯
导入AI，每周AI简报，涵盖行业的最新发展。由OpenAI的Jack Clark编写。
机器学习，由Sam DeBrule编写。经常出现在该领域的专家。
Nathan.ai，从风险投资的角度报道最近的新闻和对AI / ML的评论。
人工智能的狂野周由丹尼布里茨。标题说明了一切。
别人的建议
“没有参加任何在线课程，学习机器学习的最佳方法是什么？ - Google Brain的Eric Jang回答
作为一名工程师，获得深度学习技能的最佳方法是什么？“ - OpenAI首席技术官Greg Brockman的回答
A16z的AI Playbook，一个基于代码的AI入门
AI安全教学大纲，由80,000小时设计
“你拿蓝色药丸，故事结束了。你在床上醒来，相信你想要的任何东西。你服用红色药丸，你留在仙境，我会告诉你兔子洞的深度。“ - Morpheus
祝你好运！
原文：https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1
7501
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
