机器学习的推荐学习路线
1.学习准备:
(1) 数学篇 高等数学: 微分部分即可(掌握微分原理) 线性代数: 掌握矩阵的基本运算、矩阵微分、Jacobian矩阵和Hessian矩阵 (2) 英语篇: 具有大学英语4级水平 (3) 编程篇: 具有使用Python解决基础数据结构问题的能力
2.学习路线(1年):
推荐直接学习国外一流大学的高水平视频课程,同步写课程作业,学习路线共分4步,
(1) 机器学习基础算法(3个月)
国外课程推荐:吴恩达机器学习(斯坦福大学CS229)
国内教材推荐: 《机器学习》 周志华 《统计学习方法》李航《机器学习课》邹博
(2) 深度学习(6个月)
计算机视觉(斯坦福大学CS231N)(3个月)
自然语言处理(斯坦福大学CS224N)(3个月)
(3) 机器学习编程框架(1个月)
Tensorflow(斯坦福大学CS20I)
PyTorch
(4) 强化学习(2个月)
UCL-Course(伦敦大学学院 ) (AlphaGo之父 David Silver)
- 学习宝典:
(1) 创建博客
CSDN
知乎
(2) 打AI比赛
天池
Kaggle
(3) 创建Github
课程作业
比赛代码
学习项目
(4) 读高水平英文论文
深度学习经典论文
- 编程建议:
编写代码是机器学习、深度学习有力的武器,但是也是需要循序渐进,不能一开始就使用“重武器”(框架),这样对基本的概念和掌握会很不牢靠,而且容易沾沾自喜,感觉自己都掌握了,其实不然。
建议路线:
python 徒手算法实现
使用sklearn等基础的机器学习库
学习Tensorflow或者Pytorch
学习Keras
五、机器学习的学习资料
(1)数学知识
1.线性代数
2.概率论
3.凸函数优化
4.随机梯度下降算法
5.机器学习中的数学基本知识
6.统计学习方法
(2)编程知识
Python复习
廖雪峰python3教程
github教程
机器学习代码修行100天
(3) 机器学习资料汇总
深度学习经典论文
深度学习斯坦福教程
莫烦机器学习教程
吴恩达机器学习新书:machine learning yearning
自上而下的学习路线: 软件工程师的机器学习