本文旨在为零基础的读者提供机器学习自学的全面指南，避免常见误区，如过分追求数学知识和直接学习深度学习。文章推荐了吴恩达的Coursera课程和经典书籍如《Python机器学习》、《统计学习方法》作为入门资源，强调实践和资料选择的重要性。此外，还提供了进阶学习路线，包括Kaggle挑战、Sklearn文档学习和深度学习课程。文章适合对数学和编程基础要求不高的各类学习者，提供了一份客观可行的学习计划和资源推荐。
0. 背景
写这篇教程的初衷是很多朋友都想了解如何入门/转行机器学习，搭上人工智能这列二十一世纪的快车。文章的宗旨是：1. 指出一些自学的误区 2. 不过多的推荐资料 3. 提供客观可行的学习表 4. 给出进阶学习的建议。福利：免费赠送大家200G人工智能学习资料礼包（见下文）
这篇文章的目标读者是计划零基础自学的朋友，对数学/统计/编程基础要求不高，比如：
- 在读学生
- 非计算机行业的读者
- 已经工作但想将机器学习/数据分析和自己的本职工作相结合的朋友
1. 自学机器学习的误区和陷阱
1.1. 不要试图掌握所有的相关数学知识再开始学习
在很多相关的回答中，我都一再强调不要试图补足数学知识再开始学习机器学习。一般来说，大部分机器学习课程/书籍都要求：
- 线性代数：矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
- 统计与概率：概率分布，独立性与贝叶斯，最大似然（MLE）和最大后验估计（MAP）等
- 优化：线性优化，非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等
- 微积分：偏微分，链式法则，矩阵求导等
- 信息论、数值理论等
一般人如果想要把这些知识都补全再开始机器学习往往需要很长时间，容易半途而废。而且这些知识是工具不是目的，我们的目标不是成为优化大师。建议在机器学习的过程中哪里不会补哪里，这样更有目的性且耗时更低。
1.2. 不要把深度学习作为入门第一课
虽然很多人都是冲着深度学习来的，但把深度学习作为机器学习第一课不是个好主意。原因如下：
- 深度学习的黑箱性更加明显，很容易学得囫囵吞枣
- 深度学习的理论/模型架构/技巧还在一直变化当中，并未尘埃落定
- 深度学习实验对硬件要求高，不太适合自学或者使用个人电脑进行学习
更多讨论可以看我的回答：深度学习的教学和课程，与传统 CS 的教学和课程有什么区别？
1.3. 不要收集过多的资料 & 分辨资料的时效性
机器学习的资料很多，动辄就有几个G的材料可以下载或者观看。而很多朋友都有“收集癖”，一下子购买十几本书的人我也常常能够看到。
机器学习的发展和变化速度很快。在入门期间，建议“小而精”的选择资料，选择近期出版的且口碑良好的书籍。我不止一次的提到这个例子：
在很多深度学习的教科书中，尤其是10年以前的教科书中都还依然把Sigmoid当作默认的激活函数。但事实上，整流函数(ReLu)以及其拓展变形函数，如Leaky ReLu早就成为了主流的深度学习激活函数。但因为知识的滞后性，很多课程/书籍甚至都没有介绍ReLu的章节。
一般来说，我比较推荐近5年内出版的书籍，或者10年以后出版的书籍。有些书籍虽然是经典，比如Tom Mitchell的《机器学习》，但因为其出版已经超过20年，还是不建议大家购买。
在这篇文章中我所推荐的书籍和课程都相对比较经典，同时属于紧跟时代潮流的。入门阶段我推荐了1门课程和2本书，进阶阶段推荐了1本书，深度学习推荐了1门课程一本书，高级阶段推荐了2本额外书籍。
这里迪迦为大家整理了200多G的人工智能网盘学习资料，都是迪迦整理过的，全是精华，这样避免了大家到处乱收集资料的困境！只希望大家给个三连即可！免费领取可以扫码加我的助手小姐姐vx，也很欢迎加入我的扣扣学习交流群一起学习交流：1019725448
扫码添加即可领取！
扣扣学习交流群！欢迎大家加入一起学习交流（大牛答疑、资料分享、技术交流、AI行业前沿信息）
好的，我们继续！
2. 机器学习的一些前期准备
2.1. 硬件选择
另一个大家常问的问题是：是否可以用自己的笔记本电脑进行机器学习。答案是肯定的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
