2021年最完整的人工智能入门指南

这可能是一份中英文世界最好的人工智能学习教程,在充分考虑大家信息获取难度的情况下制定了帮助你掌握人工智能(AI)和机器学习(ML)的完整指南:无需专业背景!无需学费!
无需额外的时间成本!
只需要掌握以下的方法和渠道,就可以清晰地认识到是人工智能,并了解其前沿发展和行业新闻。
image

很多同学在学习AI的时候面临的最大困难“如何开始?”,它具体包括:如何免费开始学AI?什么是人工智能?从什么地方入手?如何去掌握这门技术?零基础如何学习AI?等等。所以我们在参考了大量国内外资料后决定写一篇关于如何在2021年【零基础】【免费】学习机器学习的完整指南,这可能是中文和英文世界中最好的入门教程,希望大家耐心看下去。这篇文章罗列了许多关于机器学习的优质资源,并分享给大家一些学习技巧,我们不仅希望大家能够方便快捷地入门AI,更希望提高你作为人最重要的学习能力。

如何在2021年成为机器学习专家?

这份学习指南适用于在编程、数学或者机器学习方面基础比较薄弱的同学。除此之外,成为机器学习专家的方法不是唯一的,只要你有足够的学习动力,大家也可以自己探索学习方法,从而掌握机器学习。
这篇指南的目标是为不知道“如何开始”的人提供一个进入机器学习的学习路径。我们都知道,在学习新事物的时候很难找到从哪里开始或者下一步应该怎样做,尤其是在缺乏他人指导的时候。因此,我们在这里列出了许多优质的学习资源供大家参考。这些学习资源的难度依次递增,有一定基础的同学,可以跳过前面的基础部分。
这里列出来的所有资源都是免费的!当然,也存在一部分付费的在线课程和在线书籍。请记住,这些付费课程为了帮助大家更好地理解和学习,只要你愿意多花一点时间和精力,没有这些付费课程,你也完全有可能成为机器学习专家。选择什么样的学习资源,完全取决于自己,适合自己的才是最好的!

温馨提示:不要害怕重复播放学习视频或者在不同的平台上重复学习相同的概念。请记住,重复是学习新事物的法宝。

image

目录(各部分的链接)
—开始入门:从简短的YouTube视频介绍开始
— 逐步深入学习:关注 YouTube 上的免费课程
 — 阅读在线文章
 — 阅读重要书籍
—没有机器学习的数学背景?看一下这个!
 — 没有编程背景,没问题!(适合初学者的编程资源)
 — 关注在线课程
 — 练习,练习,再练习!
 — 更多资源(加入社区,使用备忘单,关注该领域的新闻等等!)
— 如何找到一份机器学习的工作
— AI伦理

1.开始入门机器学习

观看简短的视频介绍入门,是入门新领域的最佳方式,YouTube和b站上面都有大量的优质视频介绍关于机器学习的重要概念。我们在这里列出了一些视频清单,供大家参考。

image

首先,了解机器学习领域的常用术语,形成初步认识。
(1)YouTube上一位名叫“What’s AI”
( https://www.youtube.com/WhatsAI) 的博主通过一系列非常短的视频回答了著名的“什么是AI”的问题,内容涵盖了了机器学习领域最常用的所有术语。每个视频的时长在1分钟左右,你可以在30分钟以内学习到机器学习的基础知识,并对该领域有一个整体认识。
大家可以通过以下链接访问该视频系列:
https://www.youtube.com/playlist?list=PLO4GrDnQanVe6F6MRJg_KO7JEoH-ukFzY

image

(2)B站up主 “KnowingAI知智”以一种轻松有趣的方式分享了算法模型系列视频,介绍了机器学习的算法、模型和框架。
大家可以通过以下链接访问该视频系列:
https://space.bilibili.com/237111975/channel/detail?cid=177611&ctype=0

image

其次,对机器学习相关概念有一定认知过后,可以更加深入地了解机器学习、深度学习和神经网络的基础知识。提醒一下,在入门时了解神经网络和反向传播的知识是非常必要的,它可以在你进行深入学习时带来巨大的先发优势

“3Blue1Brown”是由斯坦福大学一位数学系学生Grant创建的科普频道,主要分享高等数学相关内容,同时也进行计算机相关知识的科普,他被誉为全b站最火的数学科普up主。Grant制作的“深度学习”系列视频,非常清楚、细致地解释了反向传播算法、梯度下降算法、神经网络等相关概念。这部分视频可以更加充分地了解机器学习算法是什么,以及它的工作原理,从而为更加深层次的学习奠定基础。
大家可以通过以下链接访问该视频系列:
https://space.bilibili.com/88461692/channel/detail?cid=26587

image

总的来说,YouTube和B站等视频网站是非常适合自主学习的免费平台,除了以上所提及的内容之外,大家可以继续在这些平台上找寻优质学习资源。

2.逐步深入学习

在上一部分,我们主要通过“1 min”短视频了解机器学习的相关概念,对机器学习有了一个整体认知。这一部分需要大家投入更多的时间和精力,并提高专注度,进行深入学习。
虽然这一部分的课程会有一定的难度,但它们同时也非常具有吸引力。只要大家能够说服自己投入学习,一定能够受益匪浅。
通过精心挑选,我们在这里为大家准备了一份课程列表,根据难度由低到高的顺序进行排列。排列在前的课程主要对机器学习的各方面进行简单介绍,排列在后的课程逐渐深入机器学习的专业领域。大家可以通过这一部分的课程,逐渐适应机器学习的节奏,为接下来的专业化学习打好基础。

——机器学习导论(斯坦福大学)
授课老师吴恩达(Andrew Ng)是人工智能和机器学习领域国际上最权威的学者之一,同时也是在线教育平台Coursera的联合创始人,被誉为人工智能专家和教育先驱。这门机器学习导论课共计20个课时,内容涉及线性回归、梯度下降、朴素贝叶斯、决策树等机器学习的重要概念。该课程可以帮助你对机器学习有一个全面而又细致的了解,可以说是入门机器学习必不可少。
大家可以通过访问斯坦福在YouTube的官方账号“stanfordonline”,获取学习资源。访问链接如下:
(https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU)

B站的一位up主“鬼谷良师”也对其进行了视频搬运,如果您比较习惯于中文字幕,也可以在B站上进行访问:
https://www.bilibili.com/video/BV1JE411w7Ub?p=1

除此之外,“鬼谷良师”也分享了很多国际名校的公开课视频,包括哈佛、MIT等,您可以持续关注这位up主,对相关课程进行体系化学习。

image
image

image

——深度学习导论(MIT)
B站的一位号称AI硬核资料库的up主“ShowMeAI”分享了来自MIT关于“深度学习”的公开课视频,共计43个课时,内容涉及循环神经网络、卷积神经网络、强化学习等的理论知识和前沿实践。
访问链接如下:
https://www.bilibili.com/video/BV1g34y1Q79p?p=1
image

——深度学习专项课程(DeepLearningAI—吴恩达)
DeepLearningAI由吴恩达博士创立,以满足世界一流人工智能教育的需求。大家可以通过访问DeepLearningAI在YouTube的官方账号,找到其在Coursera课程中关于机器学习的相关视频。
访问链接如下:
https://www.youtube.com/channel/UCcIXc5mJsHVYTZR1maL5l9w/playlists
image

此外,你也可以通过访问链接:
https://www.bilibili.com/video/BV1FT4y1E74V?p=2&spm_id_from=pageDriver 在B站找到其搬运视频。
image

——MIT Deep Learning (Lex Fridman 关于深度学习的最新课程)
该课程是来自MIT 2017 年至 2020 年关于深度学习、深度强化学习、自动驾驶汽车和 AI 的讲座合集。您可以通过以下链接获取相关教学视频和PPT:
https://deeplearning.mit.edu/

image

此外,你也可以通过B站找到Lex Fridman 老师的部分教学视频。
2020年 深度学习讲座:
https://www.bilibili.com/video/BV1Y7411d7xV?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
2019年 深度学习讲座:
https://www.bilibili.com/video/BV1rz4y1r7hB?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
自动驾驶公开课:
https://www.bilibili.com/video/BV1tW411M7S9?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0

image

——Deep Learning (with PyTorch) —(纽约大学, Yann LeCun
这是纽约大学数据科学中心在2020年开设的一门关于深度学习的课程,课程内容涉及深度学习和表征学习的最新技术,侧重于监督和无监督深度学习、嵌入方法、度量学习、卷积神经网络和循环神经网络,以及在计算机视觉、自然语言处理和语音识别中的应用。因此,这门课程对大家机器学习的基础有一定要求。大家可以通过访问其GitHub网页,获取课程相关PPT、jupyter notebook 以及YouTube视频资源。访问链接如下:
https://atcold.github.io/pytorch-Deep-Learning/
image

3.在线阅读文章

众所周知,通过听、说、读、写等不同方式进行学习,可以很好地提高学习效率。因此,阅读对于学习也很重要,它可以帮助大家对机器学习有更加全面和深入的了解。Medium 和Towards AI都是非常不错的阅读平台,大家可以在上面找到优质的阅读材料。
我们为大家推荐了Medium社区上面的5篇文章以及2份阅读清单,并建议大家将其余前面的视频结合起来学习,这将受益匪浅。
(1)使用Python学习机器学习和数据科学的5个入门步骤——Daniel Bourke
https://towardsdatascience.com/5-beginner-friendly-steps-to-learn-machine-learning-and-data-science-with-python-bf69e211ade5
(2)什么是机器学习?——Roberto Iriondo
https://pub.towardsai.net/what-is-machine-learning-ml-b58162f97ec7
(3)机器学习入门:神经网络简介——Victor Zhou
https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9
(4)神经网络入门指南——Thomas Davis
https://towardsdatascience.com/a-beginners-guide-to-neural-networks-d5cf7e369a13#:~:text=Neural%20networks%20are%20powered%20by,then%20recognize%2C%20interpret%20and%20classify.
(5)理解神经网络——Prince Canuma
https://prince-canuma.medium.com/understanding-neural-networks-22b29755abd9
(6)MILA新生阅读清单
https://docs.google.com/document/d/1IXF3h0RU5zz4ukmTrVKVotPQypChscNGf5k6E25HGvA/edit#
(7)80/20 人工智能阅读清单——Vishal Maini
https://medium.com/machine-learning-for-humans/ai-reading-list-c4753afd97a

通过以上的学习步骤,大家已经初步具备动手编程和练习的基础了,可以直接跳到后面的编程、在线课程以或者练习部分,加快学习速度。如果想要更加深入地了解机器学习的理论知识,那么可以继续阅读在下一部分所列出来的重要参考书籍。

4.阅读重要书籍

这一部分的内容是大家选修的,但是系统化地阅读可以帮助大家更加深入地理解机器学习背后的工作原理,因此仍然建议大家抽出部分时间进行阅读。此部分包含了一些付费书籍,大家可以自主选择,有需要的话也可以在淘宝、亚马逊等平台购买纸质书籍。
——机器学习路径:
(1)《深度学习》(免费)
Ian Goodfellow,Yoshua Bengio,Aaron Courville 著;赵申剑等 译;人民邮电出版社;
https://www.deeplearningbook.org/

image

(2)《动手深度学习》(免费)
Aston Zhang, Mu Li,Zachary C. Lipton, Alexander J. Smola 著;人民邮电出版社
http://d2l.ai/

image

(3)《概率机器学习导论》(免费)
Kevin Patrick Murphy 著;MIT出版社
https://probml.github.io/pml-book/book1.html

image

(4)《人工智能:一种现代方法》(付费)
Stuart Russell,Peter Norvig 著;

image

(5)《模式识别与机器学习》(付费)
Christopher M. Bishop 著;

image

(6)《用Python进行深度学习》(付费)
François Chollet 著;

image

(7)《理解机器学习:从理论到算法》
——Shai Shalev-Shwartz , Shai Ben-David 著;剑桥大学出版社
https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/

image

——机器学习数学基础:
(1)《机器学习数学》(免费)
https://mml-book.github.io/
Marc Peter Deisenroth,A. Aldo Faisal,Cheng Soon Ong 著;剑桥大学出版社

image

(2)《统计学习方法》
李航 著;清华大学出版社

image

(3)《机器学习中的概率统计-python语言描述》
张雨萌 著;机械工业出版社

image

(4)《程序员的数学2 概率统计》
平冈和幸,堀玄 著;陈筱烟 译;人民邮电出版社

image

——微积分:
(1)微积分(第8版)
James Stewart著;张乃岳 译;中国人民大学出版社

image

(2)托马斯微积分(第10版)
WEIR,HASS,GIORDANO 著;叶其孝等 译;高等教育出版社

image

(3)普林斯顿微积分读本
Adrian Banner 著;杨爽等 译;人民邮电出版社

image

(4)清华大学《微积分教程》
韩云瑞,扈志明,张广远 著;清华大学出版社

image

(5)同济大学《高等数学》
同济大学数学系 编;高等教育出版社

image

——线性代数
(1)《线性代数及其应用》
David C.Lay著;刘深泉等 译;机械工业出版社

image

(2)《线性代数》
李尚志 著;高等教育出版社

image

(3)《线性代数》
李炯生,查建国 著;中国科学技术大学出版社
下载链接:https://download.csdn.net/download/heartblade/10352209
——概率统计
(1)《概率论与数理统计》
陈希孺 著;中国科学技术大学出版社

image

(2)图灵数学统计学丛书《概率导论》
Dimitri P. Bertsekas , John N. Tsitsiklis 著;郑忠国等译;人民邮电出版社

image

(3)图灵数学统计学丛书《应用随机过程概率模型导论》
Sheldon M. Ross 著;龚光鲁 译;人民邮电出版社
image

阅读完这些书籍过后,大家已经完全可以运用所学的理论着手开始编程练习。

5.没有机器学习的数学基础?看一下这个!

就算没有机器学习所需的数学知识也不用紧张,时间永远不算晚,大家完全可以从现在开始学习相关数学知识。我们在这里推荐的课程囊括了三个重要的数学分支:微积分、线性代数和概统。

——微积分
(1)MIT Gilbert Strang《微积分重点》——b站up主:冰剑天使
https://www.bilibili.com/video/BV17s411R7FR?from=search&seid=17163176306170092417&spm_id_from=333.337.0.0

image

(2)浙江大学 苏德矿 《微积分》——中国大学慕课
https://www.icourse163.org/course/ZJU-1003315004

image

(3))Grant Sanderson 《微积分的本质》——b站:3Blue1Brown
https://space.bilibili.com/88461692/channel/detail?cid=13407

image

(4)国防科技大学 朱健民《高等数学》——中国大学慕课
https://www.icourse163.org/course/NUDT-9004

image

——线性代数
(1)MIT Gilbert Strang《线性代数》——b站up主:小风哥_ANGEL
https://www.bilibili.com/video/BV1ix411f7Yp?p=2

image

(2)山东大学 秦静 《线性代数》——中国大学慕课
https://www.icourse163.org/course/SDU-55001?from=searchPage

image

(3)北京大学 丘维声 《高等代数》——b站up主:西门断桥吹残雪
https://www.bilibili.com/video/BV1Pb411K7JA?from=search&seid=13960699102829916094&spm_id_from=333.337.0.0

image

(4)山东财经大学 宋浩 《线性代数》——b站:宋浩老师官方
https://www.bilibili.com/video/av29971113?from=search&seid=17087223871376250963

image

(5)Grant Sanderson 《线性代数的本质》——b站:3Blue1Brown
https://www.bilibili.com/video/BV1ys411472E?p=2

image

——概统
(1)山东财经大学 宋浩 《概率论与数理统计》——b站:宋浩老师官方
https://www.bilibili.com/video/BV1ot411y7mU?spm_id_from=333.999.0.0

image

(2)Grant Sanderson 《概率论》——b站:3Blue1Brown
https://www.bilibili.com/video/BV1R7411a76r?spm_id_from=333.999.0.0

image

除了国内平台的相关课程外,国外也有一部分免费优质资源,可以帮助大家更加结构化地学习数学:
(1)YouTube上一位名叫“mathematicalmonk”的博主分享了很多有关机器学习数学知识的视频,大家可以订阅该博主,随时关注机器学习的最新消息。
https://www.youtube.com/channel/UCcAtD_VYwcYwVbTdvArsm7w

image

(2)《机器学习数学》——Garrett Thomas
https://gwthomas.github.io/docs/math4ml.pdf
(3)统计学习导论:在R语言中的应用
这一列表主要收录了Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani等人关于统计学的教学PPT和讲座视频。
http://fs2.american.edu/alberto/www/analytics/ISLRLectures.html

学完这部分之后,大家已经具备了很好的机器学习的数学基础了,可以开始对机器学习展开更加深入的研究了!如果你仍然觉得自己的数学功底不够扎实,可以倒退回上一步,深度阅读相关书籍。

6.没有编程基础,没问题!

这一部分的内容主要适用于编程小白。如果你完全没有Python或者其他任何编程语言的基础,那么这一部分的内容可以帮助你入门机器学习编程,并打好基础。(如果你已经能够非常熟练地使用Python编程语言,那就可以直接跳到“关注在线课程”这一部分的内容)
我们在这里为大家推荐了一些关于机器学习编程的优质课程:
(1)LearnPython的Python教程(https://www.learnpython.org/)
LearnPython平台提供免费的交互式Python学习教程,无论你是小白还是经验丰富的程序员,都可以在上面找到合适的学习资料。
(2)Mo平台的Python系列课程(https://momodel.cn/?src=f6d546b46c)

Mo是一个人工智能实训平台,提供在线编程功能,无需搭建环境,便于初学者上手。该平台的Python系列课程从浙江大学迭代而来,包含了从Python到人工智能的相关内容,学习路径完整,系统性较强。

image

(3)Learning with Python——b站up主:Q晴风Q
https://www.bilibili.com/video/BV1ds411p7ut?p=3&spm_id_from=pageDriver
这是一个非常实用且丰富的机器学习教程,介绍了机器学习编程相关的工作原理和方法,包括从较为简单的回归、支持向量机等,到较为复杂的SVM、TensorFlow、卷积神经网络等。

image

(4)Learn Python Basics for Data Analysis——OpenClassroom
https://openclassrooms.com/en/courses/2304731-learn-python-basics-for-data-analysis/6009031-get-started-with-python-and-anaconda
这门课程主要讲授了如何使用基本的Python操作进行数据分析。在课程中,可以使用平台的相关功能进行在线编程。此外,OpenClassroom平台也提供了Anaconda的安装资源和安装教程,让大家可以在本地运行代码。

image

(5)Getting started with Data Science——YouTube博主:Data Science Dojo
https://www.youtube.com/watch?v=6LWnvC2_DZI&list=PL8eNk_zTBST8kAYLTxYRnsOfznYMRhgZG
该视频教程介绍了线性回归模型和一些常用于机器学习和数据分析的Python和R包。此外,此视频还提供了在Windows/Mac/Linux上安装Python 和 R的安装教程,让大家可以在本地运行代码,并将代码推送到Github 存储库。

image

(6)IBM在Coursera 上开设的名为Machine Learning with Python的付费课程。
https://www.coursera.org/learn/machine-learning-with-python
该课程包含了机器学习简介、回归、分类、聚类、推荐系统等内容,实用性较强,可以显著提升大家的编程技能。

除了以上所推荐的内容,大家也可以通过GitHub上的100个NumPy练习来提升Python编程能力,
(https://github.com/rougier/numpy-100/blob/master/100_Numpy_exercises.ipynb ),
或者参加Data Science dojo的在线培训
(https://datasciencedojo.com/python-for-data-science/ref/whatsai/ )、使用Kaggle (https://www.kaggle.com/)。这些平台可以为大家提供更具挑战性的项目和练习,以及更加细致化的指导。当然,部分课程是需要付费的。

7.关注在线课程

当你具有较好的理论基础和编程基础之后,就可以开始学习ML的相关课程了。以下所列出的课程中,部分课程需要付费;当然,付费课程会教给大家更多东西,甚至可以提供权威性证书,成为求职亮点。
在这里首先为大家介绍一个优质教学平台:Coursera。它是由斯坦福的吴恩达教授和Daphne Koller教授联合创办的大型在线教育平台,旨在同世界顶尖大学合作,在线提供网络公开课程。大家可以在该平台上找到许多优质的学习资源,也可以通过此平台获得含金量较高的证书。此外,Coursera还为学员提供了大量的经济援助和奖学金,你可以申请获得相关补贴和奖励。这是该平台的申请页面:https://www.coursera.support/s/article/209819033-Apply-for-Financial-Aid-or-a-Scholarship?language=en_US

我们在这里为大家推荐了一些机器学习的在线课程,课程难度由低到高排列:
(1)机器学习简介——Kaggle(学习机器学习的核心思想,并构建自己的第一个模型)
https://www.kaggle.com/learn/intro-to-machine-learning
(2)Mo平台的系列课程,包括《从Python到人工智能》、机器学习系列课程、深度学习系列课程等。
https://momodel.cn/classroom
(3)Get started in AI / AI For everyone ——吴恩达
https://www.coursera.org/learn/ai-for-everyone
(4)机器学习——吴恩达
https://www.coursera.org/learn/machine-learning
(5)深度学习专项课程——吴恩达
https://www.coursera.org/learn/neural-networks-deep-learning
(6)TensorFlow(专业证书)
https://www.coursera.org/professional-certificates/tensorflow-in-practice
(7)AI工程——IBM(专业证书)
https://www.coursera.org/professional-certificates/ai-engineer
(8)2021 年完整的数据科学训练营
https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp/
(9)在线数据科学训练营——datasciencedojo(完整的 16 周学习计划)
https://datasciencedojo.com/data-science-bootcamp/ref/whatsai/
(10)数据科学培训计划 — datasciencedojo(完整的 16 周培训计划)
https://datasciencedojo.com/data-science-training-and-internship/ref/whatsai/
(11)fast.ai 平台的深度学习课程 (免费)
https://www.fast.ai/
(12)自然语言处理专项课程
https://www.coursera.org/specializations/natural-language-processing

8.练习,练习,再练习!

ML学习中最重要的就是实践,但往往很难找到合适的个人项目来练习。因此,我们在这一部分为大家推荐了一些提供免费教程、项目和比赛的平台,帮助大家更好地进行机器学习实践。
(1)Kaggle
https://www.kaggle.com/
该平台提供大量的免费课程、教程和比赛。此外,该平台的免费比赛还为参赛选手提供了丰厚奖金。大家可以在锻炼技能的同时赢取比赛奖励,是一种很不错的学习方式,并且赢取Kaggle的比赛奖励也可以为你的求职简历增光添彩。
(2)NVIDIA Jetson社区项目
https://developer.nvidia.com/embedded/community/jetson-projects
NVIDIA Jetson的社区项目提供了类似的AI项目和竞赛,吸引了大量“黑客”参与。此外,你还可以在NVIDIA Jetson的网站上(https://developer.nvidia.com/embedded/learn/jetson-ai-education )获得认证,并获得硬件和财务上的支持,从而有机会与NVIDIA合作开展项目。
(3)GitHub
http://github.com/
GitHub是一个面向开源及私有软件项目的托管平台,可以托管各种git库,并提供一个web界面。作为开源代码库以及版本控制系统,Github拥有超过900万开发者用户。随着越来越多的应用程序转移到了云上,Github已经成为了管理软件开发以及发现已有代码的首选方法。你可以尝试在 GitHub 上改进他们的代码,或者运行已有项目。
(4)阿里天池
https://tianchi.aliyun.com/competition/gameList/activeList
天池大数据竞赛,是由阿里巴巴集团主办,面向全球科研工作者的高端算法竞赛。通过开放海量数据和分布式计算资源,大赛让所有参与者有机会运用其设计的算法解决各类社会问题或业务问题。

9.其他资源

—学习社区
同伴学习是一种很好的学习方式。所以我们在这里为大家推荐了一些学习社区,大家可以加入其中,寻找志同道合的学习伙伴。
(1)Reddit 社区(https://www.reddit.com/ )
Reddit 社区聚集了众多AI爱好者,大家可以在这里提问、讨论、分享项目、获取最新资讯等。我们在这里列出了一些比较热门的讨论话题:
artificial — 人工智能
https://www.reddit.com/r/artificial/
Machine Learning — 机器学习(该领域最大的讨论版块)
https://www.reddit.com/r/MachineLearning/
Deep Learning Papers — 深度学习论文
https://www.reddit.com/r/DeepLearningPapers/
Computer Vision —从图像和视频中提取有用信息
https://www.reddit.com/r/computervision/
Learn machine learning — 学习机器学习
https://www.reddit.com/r/learnmachinelearning/
Artificial Intelligence — 人工智能
https://www.reddit.com/r/ArtificialInteligence/
Latest In ML — 机器学习领域不容错过的颠覆性发展
https://www.reddit.com/r/LatestInML/

(2)StackOverFlow (https://stackoverflow.com/ )
StackOverFlow是全球最大的技术问答网站,被誉为“程序员必上的网站”,大家可以在里面找到很多高质量问答。
(3)掘金 (https://juejin.cn/ )
掘金是国内的一个帮助开发者成长的社区,分享内容主要包括前端、后端、Android、iOS、人工智能、开发工具等,同时还提供一些行业资讯和相关活动。
(4)SegmentFault 思否(https://segmentfault.com/ )
思否同样也是国内的一个开发者社区,提供专业问答、行业资讯、开发竞赛、线下沙龙等内容和活动。大家也可以通过该社区寻找工作机会。

——保存学习清单
我们这里列举了一些人工智能、Python和机器学习领域的最佳学习清单:
(1)AI&神经网络&机器学习&深度学习&大数据 汇总清单——Stefan Kjouharov
https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
(2)斯坦福大学-CS-229 ML 学习清单—Afshine Amidi, Shervine Amidi
https://github.com/afshinea/stanford-cs-229-machine-learning
(3)机器学习&Python&数学 汇总清单——Robbie Allen
https://medium.com/machine-learning-in-practice/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6
(4)AI专家路线图——大家可以将它用作一个技能清单!
https://i.am.ai/roadmap/#fundamentals
(5)全网人工智能机器学习免费资源汇总清单—作者:Robbie Allen;编译:BigQuant
https://zhuanlan.zhihu.com/p/34300031
(6)机器学习&深度学习 网站汇总——FlyAI
https://zhuanlan.zhihu.com/p/337548019

除此之外,了解该领域在理论研究和实际应用方面的最新进展也是非常重要的。想要掌握该领域的最新动态,大家可以关注一下行业资讯,专业期刊,甚至是总结最新论文的YouTube频道。我们在这里列出了一些相关资源,当然,你也可以根据自己的兴趣挖掘到更多学习资源。

——订阅YouTube频道
订阅分享新论文的YouTube频道,及时了解该领域的最新进展:
(1)Two Minute Papers ——分享新论文的双周视频
https://www.youtube.com/user/keeroyz
(2)What’s AI——分享新论文的周更视频
https://www.youtube.com/channel/UCUzGQrN-lyyc0BWTYoJM_Sg
(3)Bycloud——分享新论文的周更视频
https://www.youtube.com/channel/UCgfe2ooZD3VJPB6aJAnuQng

——订阅时事通讯
(1)机器之心(https://www.jiqizhixin.com/)
机器之心是国内的一个前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。大家可以在机器之心官网首页找到很多关于人工智能和机器学习的最新消息。
(2)Inside AI(https://inside.com/ai )
该平台每天都会汇总关于人工智能、机器人和神经技术的故事和评论。
(3)AI(https://aiweekly.co/ )
该平台每周都会收集有关人工智能和机器学习的新闻和资源。
(4)AI 伦理(https://lighthouse3.com/newsletter/ )
订阅该频道,它会每周将有关AI伦理的最新内容以邮件形式推送给你。
(5)What’s AI(https://www.louisbouchard.ai/newsletter/ )
订阅What’s AI的时事资讯,它会每周将AI新闻和一个新的AI应用简介以邮件形式推送给你。
(6)Data Science Dojo资讯(https://datasciencedojo.com/newsletter/ )
订阅Data Science Dojo的时事资讯,它会将最新的数据科学内容以邮件形式推送给你。

——关注Medium 账号和出版物
(1)Towards AI  ——“最好的技术、科学和工程”
https://towardsai.net/
(2)OneZero——“未来的潜流”
这是一个关于科学技术的Medium出版物。
https://onezero.medium.com/
(3)What’s AI
这是一位名叫Louis Bouchard的科普博主的Medium账号。他致力于分享AI知识和行业资讯,让每个人都学会使用AI;同时,也让人们意识到使用AI的风险。
https://whats-ai.medium.com/

——查看GitHub 指南
https://github.com/BAILOOL/DoYouEvenLearn
这是一份关于人工智能、机器学习、深度学习和计算机视觉的基本指南,可以帮助你跟上相关领域的最新资讯、论文和热门话题等。

10.如何找工作

image

以下是一些寻找机器学习相关工作的技巧:
首先,如果大家不确定具体要从事什么工作,可以参考《机器学习面试入门》(https://huyenchip.com/ml-interviews-book/contents/chapter-1.-ml-jobs.html )的第一章。这一章详细介绍了机器学习行业的不同工作,可以帮助大家了解不同岗位以及自己的兴趣所在。此外,《机器学习面试入门》由两部分组成:该书的第一部分概述了机器学习行业的面试过程,机器学习的岗位,每个岗位的必备技能,面试过程中的常见问题,以及如何准备面试等。这部分也介绍了面试官的心理以及他们在面试时注重应聘者的哪些特质。该书的第二部分列出了200多个专业问题,涵盖机器学习领域的重要概念和常见的误用概念。面试小白可以深入阅读此书,提升面试技巧。

image

当大家已经确定好自己的目标岗位时,就需要投入到相应准备工作中去。大家可以提供一些在线共享的个人项目,例如一个博客、一个完整的GitHub库等。此外,大家还需要为不同类型的面试做好“必须通过”的完全准备。
我们先从个人项目展开介绍。事实上,个人项目的作用往往被低估了。以博客为例,它完全有可能让大家轻松找到工作,甚至不需要找工作。一方面,如果大家在博客上发布了一个关于“如何制作基于机器学习的应用程序”的帖子,那么这个帖子就有可能被招聘人员看到。进一步,如果这个帖子的含金量很高,那么招聘人员可能会主动邀约面试,并为你提供工作。另一方面,如果你的博客运营得很好,它也可以成为一个收入可观的副业。不要低估语言表达能力的作用,能够清晰地阐释你的项目内容并让老板“get”到关键点是非常重要的,并且这一点也将直接体现在你的工资收入中。此外,拥有博客的另外一个作用就是教学。教学可以提高大家的沟通技巧和领导能力,而这一点在数据科学工作中也是非常重要的,因为相关从业者的主要目标就是理解数据并高效利用数据。它可能会变得极其复杂,因为在这项工作有所产出之前,你需要解释你在做什么以及为什么它会起作用,否则你可能无法得到任何资金支持。只要相关结果没有递交给投资者或者你的老板,整个过程就类似于你什么也没做。这恰好也说明了沟通技巧的重要性。因此,你可以将两个目的合二为一,通过教学来提高自己的沟通能力,同时也可以帮助他人理解一些复杂的专业概念。
此外,专业技能也是非常重要的。拥有一个良好运用的GitHub库是非常有价值的,尤其是当你投入精力清理代码并为你的代码和自述文件作注解的时候。记得在GitHub分享你参与过的项目,即使是课程项目。虽然你的个人项目会令招聘人员更加印象深刻,但是其他项目也可以体现你的专业水平以及团队合作能力,同时可以记录你的工作。如果有时间的话,大家可以创建一个基于机器学习的应用程序,并且在你的GitHub和应用程序中进行共享。这个应用程序可以表明你投入精力学习了许多必要的课外知识和专业技能,体现你较强的学习能力和应对复杂问题的能力,甚至还可以帮你赚钱。当它既可以帮大家找到工作,又有可能成为工作的时候,为什么不投入精力呢!

——机器学习面试中的注意事项

image

面试是求职的重要步骤,因为我们在这里列举了一些有关机器学习面试的资源,希望可以帮助大家提升面试技能。
(1)知乎
各大公司机器学习面试内容总结
https://zhuanlan.zhihu.com/p/35814495
如何斩获一线互联网公司机器学习岗offer
https://zhuanlan.zhihu.com/p/76827460
机器学习算法理论面试题大汇总
https://zhuanlan.zhihu.com/p/256450188
常见机器学习面试题
https://zhuanlan.zhihu.com/p/82105066
(2)牛客网 https://www.nowcoder.com/
牛客网是一个集笔面试系统、题库、课程教育、社群交流、招聘内推于一体的招聘类网站。大家可以在该平台上进行职业性格测试、能力评估,并通过测试题库和经验分享帖等,提升自己的面试技能。
(3)《机器学习面试入门》——Chip Huyen(https://huyenchip.com/ml-interviews-book/)
提醒一下,如果你目前正在寻找机器学习的相关工作,那么这本书是必读的。我们在这里列举了该书中的一些重要提示:
尽早准备
大家已经了解,找工作是需要时间的,因此你应该在拿到专业学位之前、在换工作之前或者在学习在线课程的过程中尽早开始,然后同步完成这些事情。
发挥社交网络的作用
利用好自己的人脉关系,尝试与老师或者同事沟通交流从而获得一些工作机会。
模拟练习
就像编程和数学一样,面试也是需要勤加练习的。大家可以使用该书中的模拟问题,在朋友、家人或同事面前练习面试技巧。
提升专业技能
了解最新的研究和实践,保证你的专业技能是与时俱进的。大家可以做一些编程练习,就像该学习指南在前面编程部分分享的NumPy一样,同时也可以在leetcode.com上面尝试一下。
充分了解应聘公司的背景
在面试之前要对你所应聘的公司进行充分了解,并尝试思考一些在面试过程中可能会问到的有关公司介绍和公司使命的问题。这样在面试时大家就可以表现得对该公司十分感兴趣,并且轻松得回答出相关问题。
善于倾听和发言
大家在面试过程中不要说得太多,也不要过于沉默。首先,大家要听清楚面试官的每一句话,在面试过程中试着去了解他们和他们的角色。其次,大家要向面试官阐明自己的思考过程,便于他们更加清楚直接地对你的所有反应进行分析。大家要记住,面试过程也是为了更好地找到一个适合自己的工作,而不仅仅是为了他们。
诚信
诚信是十分重要但又往往被应聘者所忽略的一件事情。如果应聘者说谎,很有可能被面试官发现,并且将会导致不良后果。
遵循个人兴趣爱好
最后,请大家找一份自己喜欢的工作。我们确实难以提前知道自己喜欢什么,但可以跟随自己的内心,选择一份具有挑战性的工作,并且可以和一个优秀的、有趣的、鼓舞人心的团队一起工作。

另外,还有其他一些比较重要的注意事项,大家可以在面试过程中应急使用:
首先,再次强调不要撒谎,这是至关重要的。
不要批评以前或者现在的老板。你对他们所做的任何事情都会让人觉得你也可以对正在应聘的这家公司做出同样的事情,我们在任何时候都应该要尊重他人。
要保持自信,不要紧张。大家可能会面临较为激烈的竞争,但每个人都是独一无二的,你肯定拥有一些可以帮你找到心仪工作的过人之处。此外,在面试过程中不要向下看或者东张西望。当你思考的时候,可以看着面试官的眼睛或者向上看,这表明你正在搜寻记忆、思考答案。
不要谈论一些与面试无关的隐私。比如你的政治立场、宗教信仰、年龄和婚姻状况等。
不要急于在面试过程中讨论薪水的问题。在面试结束后,面试官通常会和应聘者讨论这个问题,大家可以耐心等待。
学会谈判。谈判是一项非常重要的技能,这可能会直接影响大家的工资、职业发展等。如果大家没有谈判经验,强烈建议阅读Chris Voss的《强势谈判》(Never Split the Difference)(https://info.blackswanltd.com/never-split-the-difference )一书。Chris Voss是 FBI 前首席国际人质危机谈判专家,世界著名的谈判理论专家和实践者,“黑天鹅集团”的创始人和管理者,在谈判领域有二十多年的丰富经验。他在此书中总结了一套全新的、经过实战检验的高价值谈判策略。

image

请大家相信自己一定可以找到工作的。这可能会需要十几次甚至上百次的尝试,都是很正常的,这主要取决于地域和当前的经济形势。慢慢来,要有耐心,尽可能地享受这个过程,在面试过程中积累经验、提升技能!

image

11.AI伦理

image
image

AI伦理常常被人们所忽视,但它又是非常重要的一个方面。因为,人们会使用你所创建的应用程序,这就要求该程序必须尊重和保护用户隐私,值得大家信赖。这听起来是理所当然的,但在技术层面就比较复杂了。的确,随着像人工智能这样的新技术面世,我们需要确保它不会对人类造成伤害并且值得信赖。但这一点常常被人们所忘记或者自动忽视,总以为有人会处理好这件事情。但事实并非如此,机器学习从业者得自己处理。大家可以多思考一下模型的可行度,思考一下这样一个由自动化机器运行的应用程序可能会产生的伦理问题。正如前面所提到的,这是非常复杂的,这也是为什么伦理学和哲学学者在研究这一问题时需要机器学习领域的专业人士的帮助。为了帮助这些学者更好地进行研究,你首先需要了解为什么“AI伦理”对我们的未来如此重要,我们在这里列出了部分资源:
(1)Ethics for Data Science
https://www.youtube.com/watch?v=F0cxzESR7ec
这是一个由fast.ai 创始人Rachel Thomas创作的讲述AI伦理的短片。它可以打开大家的思维,并让你识别到潜在问题以及思考应对策略。
image

(2)AI4People:An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations——Floridi 等, 2018 AI4People AI for a good society.
https://link.springer.com/content/pdf/10.1007/s11023-018-9482-5.pdf
(3)Ethics guidelines for trustworthy AI
欧盟委员会高级别专家组对这本书的评价为7分。
https://wayback.archive-it.org/12090/20210728013426/https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai

非常感谢大家的阅读,小Mo在这里祝您在未来的机器学习职业生涯中一切顺利!
注:部分资源来源于互联网,若有侵权,请直接联系作者删除。

在这里插入图片描述

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页
评论 1

打赏作者

MoModel

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值