机器学习简易入门-附推荐学习资料

目录

（1）机器学习正规学习路线

（2）机器学习快速入门

（3）总结

---

感谢黄海广博士的分享

原创： 机器学习初学者 机器学习初学者 今天

机器学习如何入门？目前没有明确的答案。本站面向广大初学者，推荐下机器学习（含深度学习）简易入门的路线及学习资料，入门了以后，就会知道自己需要增强哪部分知识了，也会知道找什么资料来学习。

（1）机器学习正规学习路线

如何学好机器学习？正规路线大概是这样的：

1.学好数学基础

数学分析（微积分），线性代数，概率论，统计，应用统计，数值分析，常微分方程，偏微分方程，数值偏微分方程，运筹学，离散数学，随机过程，随机偏微分方程，抽象代数，实变函数，泛函分析，复变函数，数学建模，拓扑，微分几何，渐近分析......

2.学习经典机器学习书和教程

经典书籍：Duda的《模式分类》、Mitchell的《机器学习》、李航的《统计学习方法》、周志华的《机器学习》......

吴恩达：《机器学习》公开课、《深度学习》公开课。

李宏毅：《机器学习基石》、《机器学习技法》。

3.学好编程语言

精通Python、Java、R、MATLAB、C++等编程语言。

4.阅读论文

学好英语，熟读经典论文，并且读最新的机器学习论文，如顶级会议论文等，掌握最新的技术方向。

5.参加实际项目

如大厂实习、参加Kaggle、天池等数据竞赛......

按照以上路线学完以后，虽然不一定能成为业界大牛，博士毕业完全没有问题了。

 

以上方法存在的问题：

• 大部分学习者的学习目的不是为了科研，而是希望把机器学习作为工具来使用。

• 大部分学习者时间有限，学不完这么多资料，不知道如何取舍。

• 有些资料太难，作者假设学习者有一定的基础，对一些步骤进行了省略，好多初学者看了的感觉是这样的：

其实大部分人学习机器学习的目的，只要会用机器学习算法及工具，解决一些问题，了解算法的基本原理即可，并不需要学得那么深入。上面的学习路线，第一条就劝退了好多人了。没有几个人能像博士一样扎实地学好数学基础，也没有几个人能读完经典著作和热门教程，只是希望快速入门机器学习。

在这种情况下，本站推荐下快速的机器学习入门路线。

（2）机器学习快速入门

1.基础知识

熟悉基本的数学知识，最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程应该是本科必修的，如果真的忘了，那就看下这篇文章：《机器学习的数学基础》，可以把这篇文章提供下载数学资料看一遍，不需要全看懂，但是基础的公式要大致明白，能从资料中查找公式，里面有两个公式总结材料：

1) 机器学习的数学基础.docx

（中文版，对高等数学、线性代数、概率论与数理统计三门课的公式做了总结）

2) 斯坦福大学机器学习的数学基础.pdf

（原版英文材料，非常全面，建议英语好的同学直接学习这个材料）。

本人非常建议打好数学基础，数学基础决定了机器学习从业人员的高度。

但是，如果学习时间太少，又想入门机器学习，就学习上面两个公式总结材料其中的一个。

2.机器学习的教程

1) 机器学习入门的最佳教程

应该是吴恩达老师的《机器学习》公开课，这门课面向初学者，注重实际应用，并不侧重数学推导。这门课开课较早，但到现在仍然是最火的机器学习公开课，评分非常高，课程配套作业（octave版本）。

学习这个课程注意事项：

• 第五章Octave教程、第十八章应用实例，这两章可以不用学，有点过时了。

• 原版的octave作业可以不用做，可以做修改过的python版本作业。

• 如果和吴恩达老师的《深度学习》公开课一起看，第四、五、六周的内容可以直接学习《深度学习》的相关内容。

• 这个教程建议在三个月内看完，如果有些地方看不懂，没关系，以后用到的时候再回头看看。

• 这个课程建议配合课程笔记一起看。本站已经提供了笔记下载

课程的视频、笔记、python代码作业，请在这篇文章下载。

 

2) 机器学习小抄

本站以前发的一篇《机器学习小抄-（像背托福单词一样理解机器学习）》

把机器学习的概念做成背托福单词的随身小抄一样方便！分分钟搞定机器学习各种记不住的概念！这篇建议用一周时间看完，注意是略读，有些地方不懂没关系，做下记录，以后用到的时候再查。

 

3) 李航《统计学习方法》

详细介绍支持向量机、Boosting、最大熵、条件随机场等十个统计学习方法。对数学基础有一定要求，这是经典中的经典，很多国内的网课，互联网企业的面试、笔试题目，或多或少，参考了这本书的内容，对初学者来说，有点难度，但是，如果想通过面试笔试，这本书应该要看懂，试着推导下算法。

 

4) 深度学习最佳入门教程

吴恩达《深度学习》公开课

这个视频教程用最简单的方式，把深度学习的主要算法和框架讲得非常清楚，课程附带代码作业和测试题作业，学完以后，深度学习就算入门了。每章的学习建议：

• 第一章：神经网络与深度学习

部分内容是《机器学习》公开课的第四、第五周的升级版

• 第二章：改善深层神经网络 

这部分内容基本没有和《机器学习》公开课有重合部分。

• 第三章：结构化机器学习项目

部分内容是机器学习的第六周的升级版。

• 第四章：卷积神经网络 

这部分主要用于图像、目标检测方面的，相当于斯坦福CS231n深度学习与计算机视觉-李飞飞主讲的课程的简化。

• 第五章：序列模型 

这部分主要用于自然语言处理，注意一点：RNN/LSTM结构里的符号，和原始论文有点不一样，我们平时的博客、论文的符号，跟吴恩达老师的课程的符号略有区别。

课程的视频、笔记、python代码作业，请在这篇文章下载。

 

5) 李宏毅《一天读懂深度学习》讲义

台大李宏毅教授的深度学习讲义，这是我见过最容易懂的深度学习入门资料，300多页的讲义能系统、通俗易懂地讲清楚深度学习的基本原理，如同机器学习小抄一样生动形象。

建议用几天时间把这个讲义浏览一次，可以基本了解什么是深度学习，深度学习有什么用。

 

3.学好编程语言

由于只是入门，仅推荐python这门编程语言。

机器学习主要的代码工具为python，python学习到底要学到什么程度？个人感觉：入门最重要，至少要学到碰到问题能查百度的程度。

1) python安装：

关于python安装包，我推荐下载Anaconda，Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。下载地址：https://www.anaconda.com/download/ 推荐选Anaconda （python 3.6版本）

IDE：推荐使用pycharm，社区版免费，下载地址：https://www.jetbrains.com/

2) python入门的资料推荐

a.《利用python进行数据分析》

这本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题。

这个是我看的第一本python入门资料，如果把代码都运行一次，基本上就能解决数据分析的大部分问题了。

下载地址：建议购买书，源代码可以上百度搜索。

注意：第二版中文翻译已经有人写了，建议搜索下载。

b.python入门笔记

作者李金，这个是jupyter notebook文件，把python的主要语法演示了一次，值得推荐。

下载地址：https://pan.baidu.com/s/1snmeqlR 密码：hkv8

c.南京大学python视频教程

这个教程非常值得推荐，python主要语法和常用的库基本涵盖了。

视频下载地址：https://yun.baidu.com/s/1cCbERs 密码:7thx

看完这三个资料，python基本入门了，同时可以使用scikit-learn等机器学习库来解决机器学习的问题了。

 

4) 深度学习主要框架的学习

深度学习的主要框架，最基础的，应该是Tensorflow和Keras。教程很多，可以选择性地学一下，本站推荐简便的入门方法：

 

a.Tensorflow入门

吴恩达《深度学习》公开课第二门课3.11介绍了Tensorflow的基本用法（对应笔记p251），这些用法会了以后，基本上能看懂大部分代码了，结合该课程的代码作业，不懂的地方搜百度都能搜到了。

 

b.Keras入门

《python深度学习》书和配套代码，《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。

作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。

本站对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。

本站认为，这本书和代码是初学者入门深度学习及Keras最好的工具。

电子书及中文注释代码请点击下载。

 

4.阅读论文

1) 学好英语，读一些优秀论文

选择性地读一些经典论文，英语真的不好，就输入论文题目搜下百度，很多博客会对经典论文有详细的解释。

看论文的关键：复现作者的算法。

根据论文，复现成功算法后，通常就能对论文有深刻的理解了。经典论文都是可以复现的，github都有，最新的优秀论文，通常也能搜到代码。

 

2) 学会整理论文

读过的论文分类整理下，推荐下论文管理神器zotero，功能强大，可以在论文上记笔记，并支持不同电脑之间的同步。

 

5.参加实际项目

如果有大厂的实习机会，尽量去，能学到不少东西。

没有实习机会，可以尝试参加下kaggle比赛，不一定要取得多少名次，可以搜搜历次比赛，下载数据，下载别人的公开代码，复现下。

国内也有类似的比赛，如天池，DF等。

通常，在2-3个比赛能达到top1%的成绩，代码能力基本没有问题了。

但是，不建议在比赛中花太多时间，比赛大部分时间是用于特征工程，在实际工作中并不一定能用上，只要能解决问题就行了，其他时间用于学习吧。

 

6.多和学习者交流

交流的方式有很多种，如参加学术活动、实验室讨论等，但我认为最有效的交流方式还是加入一些学术讨论组织，如微信群，qq群等。“闻道有先后术业有专攻”，不懂很正常，不懂就要问，“三人行，必有我师。”

（3）总结

学习机器学习，尽可能打好数学基础，机器学习从业者数学基础不扎实，只会用一些工具和框架，相当于某些武术家只会耍套路，外行人觉得很厉害，但实战起来一定是鼻青脸肿。可以说，数学基础是机器学习从业人员的天花板。为什么机器学习从业人员学历越高，往往工资越高，通常和掌握的基础知识正相关。

本文的方法，只适合快速入门，入门了以后，你就会知道哪方面的不足，自己也会找资料学习了。

本文的方法仅供参考。