笔者非科班出身.也并非什么相应专业.由于人工智能热潮,无意识间笔者也被涌入其中.
笔者从看一篇篇文章开始,从收集一个个视频资料开始.我想大多数人都和笔者情况类似.
笔者编写的博客,仅仅当做日常复习,和学习心得的积累
一.学习的路线
大多数大佬都阐述过自己的学习方式,这里我不过多解释;
基本 :
选用一门语言 (Python / R)
学习相关的 数学知识
学习相应语言的 模块/类库
学习机器学习 MechineLearning
学习深度学习 DeepLearning
做一点项目或者竞赛
-
选用一门语言(Python / R) ;
1). 在选用语言上,笔者并没太多心得, 笔者使用Python语言.虽然被号称为最容易上手的语言.笔者也花了一定的时间来学习使用它.
2). 在众多编程语言中,笔者还是信奉一句话,学习编程,并非编程语言的本身,而是要学好英语,同时笔者的英语并不出众;
3). 言归正传, Python的强大,在于能使用众多的类库.来处理我们想要解决的问题,把直观的编程压缩成库函数的使用,但也要深明该使用方法的原理; -
数学知识;
1).我想头疼数学知识的并非笔者一人,所以这里还是说一下笔者的观点,在大学的基础上我们都应该学过高等数学.线性代数.概率统计, 但学过不代表学会,这也是笔者写博客的初衷,就笔者而言也没有掌握全部的数学知识才开始学机器学习orDeepLearning, 记不清是哪位老师说过的话, 我们不会把四六级单词全背下来才去看英语文章,想看就及时去看就好,要么会失了这份兴致,这里非常贴合我们听过的一句广告词哪里不会点哪里,那么学习机器学习是不是也是这个道理呢?;
2) 当然数学里还是有些很重要的知识需要我们理解, 笔者感觉:知晓导数, 偏导, 矩阵运算, 概率基础知识,便可以开展学习, 剩下的就哪里不会点哪里就好;
3).这也阐述了学习的过程一定要勤于动手查询。 -
学习相应语言的 模块/类库;
1).建立在Python语言基础上我们还要学会一些类库,就像人工智能和数据分析 息息相关一样, 学习数据分析的类库也有其必要作用,例如: numpy, pandas matplotlib, seaborn 等, 这些工具很好的帮助我们窥视,整理,清洗数据.
2).在机器学习过程中,我们还会接触Scikit-Learn, TenserFlow等.笔者将会把自己学习的知识,一点一点纪录下来. -
学习机器学习 MechineLearning;
1).笔者仅仅阐述自己学习的算法(持续更新)
2).大多数学者都从线性回归入手学习,但是笔者认为从KNN开始也是可以,从处理数据,分割数据,训练数据,拟合数据,既简单又全面,但是简单的也并不代表我们可以使用的完美,我想这也是机器学习难的地方同时是最有魅力的地方,在后续的文章中笔者将,知识和例子会分开展示,从而更好的吸收学习 -
学习深度学习 DeepLearning;
1).待填充,(笔者尚未深入学习) -
做一点项目或者竞赛;
1).关于比赛和项目,这是更好的锻炼我们认知的过程,没接触过过真实数据往往不知道自己有多菜,这是每一个大佬都经历过的阶段,我想我也会以此为跳板,学习下去,
2).比赛(国内国外的都有, 有kaggle上的数据集竞赛, 和笔者参与的科赛比赛等.笔者很享受这个过程,
本文更像是笔者当前的理解,后续还会修改,具体的细节展示,笔者将分成其它章节, 预计在完工时,本文也会成为目录作为整体的索引;