【机器学习】学习成长路线图(初学者到专业科学家必备)

机器学习–学习成长路线图

学习流程图
【机器学习】学习成长路线图(初学者到专业科学家必备)_第1张图片
入门方向与进阶方向
【机器学习】学习成长路线图(初学者到专业科学家必备)_第2张图片
路线1: 机器学习算法工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第3张图片
路线2: 数据科学家
【机器学习】学习成长路线图(初学者到专业科学家必备)_第4张图片
路线3: 异构并行计算工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第5张图片
路线4: 语音识别工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第6张图片
路线5: 计算机视觉工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第7张图片
路线6: 自然语言处理工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第8张图片
路线7: 知识图谱工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第9张图片
路线8: 推荐系统工程师

路线9: 对话系统系统工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第10张图片
路线10: 自动驾驶工程师
【机器学习】学习成长路线图(初学者到专业科学家必备)_第11张图片
参考路线

Step0:准备阶段

  • 1.英语阅读水平达到大学英语4级。
  • 2.高数大致掌握,关键概念经查阅能随时记忆起来。
  • 3.编程技能达到熟练级水准。

Step1:看视频学习,这一阶段的目标是对机器学习的理论有初步的了解。

  • 1.machine learning-Andrew Ng
    在线学习地址:Machine Learning - Stanford University | Coursera
    说明:Coursera[1]是一个非常知名的公开课网站,Andrew Ng讲授的的“machine learning”课程可以说是它的成名作。我给的离线资源里Andrew Ng的课程只有英文字幕,在线学习有作业什么的,学习更加系统。
  • 2.机器学习基石/技法-林轩田
    百度网盘地址:https://pan.baidu.com/s/17qGVLlChaK98-OVwSmHMng#list/path=%2F
    在线学习地址:
    说明:这个资源是中文讲授的。之前在coursera上有,现在貌似找不到了。林轩田老师的讲解通俗易懂,技法课程难一点,可以结合step2进行学习。看的时候记得记笔记,网上也搜的到网友记的笔记,详细的学习方法就不多谈了。

Step2:这一阶段是结合step1学习的理论基础,做一些基于python的动手练习,另外给出了两本参考书,可以阅读加深认识。

  • 1.python教程-廖雪峰的官方网站
    地址:Python教程
    说明:廖雪峰的教程质量很好。没有必要全看完,大概了解python的基础语法即可,这步是为下面的练习做准备。
  • 2.《机器学习实战》
    豆瓣地址:机器学习实战 (豆瓣)
    说明:这本书基于python对一些主要的机器学习算法进行了代码实现。一定要照着敲一遍。
  • 3.《机器学习》-周志华
    豆瓣地址:机器学习 (豆瓣)
    说明:这本书是中文里最好的机器学习教科书了,说明很清晰而且全面。但是算法的推导过程很简略以至于完全看不懂。建议大致看一遍,算法的推导结合网上的博客和其他教程进行理解。
  • 4.《统计学习方法》-李航
    豆瓣地址:统计学习方法 (豆瓣)
    说明:我也没看完。。但是据说很好,都是各种算法的推导过程。

Step3:这一阶段是进行实战演练,方法是在机器学习竞赛网站上结合实际案例进行练习。我本人也在step3进行了没多久,祝我好运。

  • 1.《利用Python进行数据分析》
    豆瓣地址:利用Python进行数据分析 (豆瓣)
    说明:numpy与pandas是python进行处理数据的两个关键库。这本书讲解了这两个库的使用方法。是实战前的准备步骤。
  • 2.kaggle
    地址:Competitions | Kaggle
    说明:kaggle是一个机器学习竞赛网站。除了在进行中的,有悬赏金的比赛,也有入门的练习赛。使用方法见大数据竞赛平台–Kaggle 入门。
  • 3.阿里天池大数据竞赛
    地址:天池大数据科研平台-打造“数据众智、众创”第一平台
    说明:阿里办的,性质同kaggle。
  • 4.data castle
    地址:http://www.pkbigdata.com/
    说明:中国版kaggle

科技日新月异,追逐热点是好的。但在这个浮躁的时代,不管选择什么方向最重要的就是独立思考的能力,和去伪存真的勇气。因此,看了这么多入门教程和经验分享后,我最希望的是你既不要急着全盘接受,也不要因为不对胃口全盘否定。慢下来,好好想想,制定适合自己的计划,这大概才是做科学工作的正确态度。

参考文章
[1].https://zhuanlan.zhihu.com/p/26169982
[2].https://zhuanlan.zhihu.com/p/29704017
[3].https://www.bilibili.com/video/BV134411f7os?from=search&seid=16149020539519396273

你可能感兴趣的:(学习路线,人工智能,python,机器学习,算法,大数据)