【吐血推荐】机器学习/深度学习入门资料汇总及学习建议【入门必看】

机器学习入门，初学者遇到的问题非常多，但最大的问题就是：

资料太多！！！看不完！！！不知道如何取舍！！！

 

 一、机器学习的数学基础

正规的机器学习数学基础主要有：

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......

以上内容可能引起初学者不适。

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。没有几个人能像博士一样扎实地学好数学基础，只是希望快速入门机器学习，那么只需要掌握必要的几个基础点就好了。机器学习的数学最主要是高等数学、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。本站整理了一个简易的数学入门文章。

推荐文章：

• 机器学习的数学基础

  如果真的忘了基础公式，那就看下上面这篇文章：，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：a.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） ，b.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）。

 二、经典的机器学习资料和教程

1)吴恩达《机器学习》公开课

原课程地址：coursera.org/course/ml

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

2) 《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》

《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。

本站用python实现了大部分算法，建议试着运行下。

4) 台湾大学林轩田老师的《机器学习基石》、《机器学习技法》课程

台湾大学林轩田老师的《机器学习基石》《机器学习技法》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。

这门课有一个配套教材：《Learning From Data》（LFD），林轩田也是编者之一。这本书的主页为：http://amlbook.com/。豆瓣上关于这本书的评分高达9.4，还是很不错的，值得推荐！可以配套视频一起学习。这本书内容通俗易懂，非常精彩，不是单纯罗列公式，是一本非常适合入门的机器学习书籍。

5) 吴恩达《深度学习》公开课

原课程地址：www.deeplearning.ai

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。

6) 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。

推荐文章：

• 黄海广博士的github镜像下载（机器学习及深度学习资源）

  吴恩达老师《机器学习》和《深度学习》课程的视频、笔记、python代码作业的下载。

  github地址：https://github.com/fengdu78

• 机器学习小抄-（像背托福单词一样理解机器学习）

  机器学习小抄下载。

• 机器学习必备宝典-《统计学习方法》的python代码实现、电子书及课件

  统计学习方法的python代码实现，本文被机器之心公众号转载过。

  github地址：https://github.com/fengdu78/lihang-code

• 首发：台大林轩田《机器学习基石》系列课程教材的习题解答和实现

  台湾大学林轩田老师的《机器学习基石》、《机器学习技法》课程习题解答。本站实现了课程教材的绝大部分习题，并作了详细的笔记，在github予以分享。

  github地址：https://github.com/Doraemonzzz/Learning-from-data

• 深度学习初学者的另一份小抄-《一天学懂深度学习（李宏毅）》（中文标注）

  台大李宏毅教授的深度学习讲义。

• Coursera机器学习课程代码作业-Python版本

  吴恩达机器学习的作业python实现。

• 首发：深度学习测试题中英对照版

• 吴恩达《深度学习》测试题翻译和解答，面试笔试必备。

 三、学好编程语言

机器学习理论上需要精通Python、Java、R、MATLAB、C++等编程语言。

如果只是入门，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 3.7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。

3) 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。

此外有个资源要推荐下：

资源地址：

https://github.com/aymericdamien/TensorFlow-Examples

本资源旨在通过示例轻松深入了解TensorFlow。 为了便于阅读，它包括notebook和带注释的源代码。

它适合想要找到关于TensorFlow的清晰简洁示例的初学者。 除了传统的“原始”TensorFlow实现，您还可以找到最新的TensorFlow API实践（例如layers,estimator,dataset, ......）。

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。

 

c.Pytorch入门

资源地址：

https://github.com/yunjey/pytorch-tutorial

这个资源为深度学习研究人员提供了学习PyTorch的教程代码大多数模型都使用少于30行代码实现。 在开始本教程之前，建议先看完Pytorch官方教程。

推荐文章：

• 首发：深度学习入门宝典-《python深度学习》原文代码中文注释版及电子书

  《python深度学习》电子书及中文注释代码下载。

• 强烈推荐的TensorFlow、Pytorch和Keras的样例资源（深度学习初学者必须收藏）TensorFlow、Keras和Pytorch是目前深度学习的主要框架，也是入门深度学习必须掌握的三大框架，但是官方文档相对内容较多，初学者往往无从下手。本人从github里搜到三个非常不错的学习资源，并对资源目录进行翻译，强烈建议初学者下载学习，这些资源包含了大量的代码示例（含数据集），个人认为，只要把以上资源运行一次，不懂的地方查官方文档，很快就能理解和运用这三大框架。

• 两天入门Python基础（附代码实现）

  python基础简易入门

• python绘图工具基础-matplotlib学习之基本使用

  python绘图基础

• 给初学者推荐一个摆脱变量命名纠结的神器

  在平时工作中，好多程序员都在为变量的命名纠结不已，随便命名怕以后看不懂，想好好命名可是自己的英文水平又不好，在这个命名上可能需要花费大量的时间，会耽误到开发的效率，这个神器可以摆脱变量命名纠结！

• SQL语法如何入门？（附资料下载）

  SQL语法简易入门资料。

• Ubuntu 18.04深度学习环境配置（CUDA9.0+CUDNN7.4+TensorFlow1.8

  本文测试成功了Ubuntu18.04环境下配置深度学习环境（GPU:1080ti），包括：CUDA9.0+CUDNN7.4+TensorFlow1.8+Pytorch0.4的安装和测试，并提供相关软件下载。

 四、论文相关和大师之作

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，要经常看技术类博客和文章，也要会写论文。

英文不好的话，输入论文名称，通常能查到该论文的中文内容的博客和文章，这样稍微轻松点。

推荐文章：

• 首发：徐亦达老师的机器学习课件及下载（中文目录）

  徐亦达教授在github公布了他的历年机器学习相关课件、视频，黄海广博士协助徐亦达老师对课件目录进行翻译和整理，并提供下载。

• 机器学习的宝典-华校专老师的笔记

  这是华校专老师多年以来学习总结的笔记，经整理之后开源于世。内容分为：数学基础、统计学习、深度学习、自然语言处理、计算机视觉、工具这几个方面。

• 吐血推荐收藏的学位论文排版教程（完整版）

   本文将介绍学位论文的页面布局，标题格式，文档生成列表，插入公式，页眉页脚，生成目录、表格和图片的交叉引用、插入参考文献、英语翻译校对等内容和技巧，学习内容偏多，同学们可以先收藏下来，慢慢学习。

• 科研工作者的神器-zotero论文管理工具

  Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件，如今已被广泛使用。此篇使用说明主要分享引用研究资源功能，其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。

 五、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。

本站推荐文章：

• 开源-BDCI2018面向电信行业存量用户的智能套餐个性化匹配模型Top1解决方案和代码

  公布了：BDCI2018面向电信行业存量用户的智能套餐个性化匹配模型数据竞赛top1解决方案和代码。该方案利用已有的用户属性(如个人基本信息、用户画像信息等)、终端属性(如终端品牌等)、业务属性、消费习惯及偏好匹配用户最合适的套餐，对用户进行推送，完成后续个性化服务。 (最终排名1/2546)

• 开源-BDCI2018供应链需求预测模型第一名解决方案和代码

  公布了：BDCI2018供应链需求预测数据竞赛第一名的解决方案和代码。该方案利用赛题为运用平台积累最近1年多的商品数据预测45天后5周每周（week1~week5）的销量，为供应链提供数据基础，将能够为出海企业建立全球化供应链方案提供关键的技术支持。

• 一些NLP的入门资料参考

  整理了一些NLP的入门资料参考，建议初学者看看。

• CTR预估系列：DeepCTR 一个基于深度学习的CTR模型包

  在计算广告和推荐系统中，CTR预估一直是一个核心问题。无论在工业界还是学术界都是一个热点研究问题，近年来也有若干相关的算法竞赛。本文介绍一个基于深度学习的CTR模型包DeepCTR，具有简洁易用、模块化和可扩展的优点。（本文作者：沈伟臣）代码主页：https://github.com/shenweichen/DeepCTR

 六、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。”

 七、总结和建议

本文提供的只是初学者的学习路线及资料，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。

同时建议时间充裕的同学，尽可能打好数学基础，如果基础不扎实，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。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。

 

转载：https://mp.weixin.qq.com/s/5BqOEbpzqH1wO2yB0Qfs_w