机器学习入门分享

最近上手机器学习，整理下我的学习规划

学习建议

1.不要把深度学习作为入门第一课
在机器学习的过程中哪里不会补哪里，这样更有目的性且耗时更低。

• 深度学习的黑箱性更加明显，很容易学得囫囵吞枣
• 深度学习的理论/模型架构/技巧还在一直变化当中，并未尘埃落定
• 深度学习实验对硬件要求高，不太适合自学或者使用个人电脑进行学习

2.不要收集过多的资料 & 分辨资料的时效性
建议“小而精”的选择资料，选择近期出版的且口碑良好的书籍。
要做深度学习，Linux还是首选
编程语言，首推Python

机器学习课程表

顺序学习如下：
1.python教学（廖雪峰blog 或者 黑马程序员）
2.还是推荐看莫烦的教程：
Numpy & Pandas (莫烦 Python 数据处理教程)
Matplotlib Python 画图教程 (莫烦Python)
《利用Python进行数据分析》
3…完成吴恩达机器学习课
[机器学习]
4.完成吴恩达的深度学习专项系列课程。

这五门课程主要讲的是：1、神经网络和深度学习（4周）2、改善深度神经网络（3周）3、结构化机器学习项目（2周）4、卷积神经网络（4周）5、序列模型（3周）
[网易云课堂（中字）传送门]
5.软件应用：
1.pytorch官方教学
2.tensorflow教学
6.直接上手教学：
小白直接上手深度学习，最好的资源在fast.ai。
7.兴趣衔接：3bule1brown推出的神经网络讲解视频

吴恩达Cousera机器学习课程

推荐书籍：
Python机器学习 & Introduction to Statistical Learning with R
推荐这两本非常好的入门书籍
Python机器学习（作者 Sebastian Raschka）
Introduction to Statistical Learning with R（ISL）

关于 周志华《机器学习》

“西瓜书” 我建议把西瓜书作为参考书而不是主力阅读书。
建议的用法是在学习网课和阅读ISL遇到疑惑时可以参考西瓜书的相关章节，但入门阶段没有必要一章一章的阅读，建议在这个阶段只阅读前十章即可。

Kaggle挑战赛/练习

Kaggle（Your Home for Data Science）在数据分析领域早已大名鼎鼎，甚至可以说是数据分析第一社区，前一阵子刚刚被谷歌收购。Kaggle上有很多很好的数据集和挑战赛，你可以尝试这些挑战取得名次，甚至拿到奖金，对于将来找工作也非常有帮助。而且Kaggle的另一大优势是网友会分享他们的经验和看法，你也可以提出问题让大家来帮你提出一些修正方法。
3.2.2. Sklearn文档学习
Sklearn(scikit-learn: machine learning in Python)是Python上最流行的机器学习/数据科学工具包，上文介绍的Python Machine Learning书中就大量使用Sklearn的API。 推荐的方法是把主流机器学习模型Sklearn中的例子都看一遍。
同时配合着scikit-learn，我会推荐参考这本19年的新书，是我见过的为数不多的把理论和实践相结合的比较棒的书，尤其是代码部分！
‘’蜥蜴书‘’ 机器学习实战：基于Scikit-Learn和TensorFlow

深度学习

吴恩达在八月份的时候通过Deeplearning.ai和Coursera平台推出了最新系列的五门深度学习课程
https://mooc.study.163.com/smartSpec/detail/1001319001.htm

关于‘’花书‘’

Deep Learning - by Ian GoodFellow
‘’花书‘’

* 

为了补充基础可以阅读第1-5章其中也包含了一些数学知识
*
只关注主流神经网络知识可以阅读6-10章，介绍了DNN/CNN/RNN
*
需要进一步了解一些调参和应用技巧，推荐阅读11和12章

第13-20章为进阶章节，在入门阶段没有必要阅读。其实比较实际的做法是吴恩达的课程讲到什么概念，你到这本书里面可以阅读一些深入的理论进行概念加深，按章节阅读还是比较耗时耗力的。

下一阶段：深入研究

对于本科生，进入实验室对于继续深造和去国外继续学习都很有帮助，有科研经历和论文是很大的筹码，对于找工作来说也绝对有利无害。
上文提到过，机器学习光说不练假把式，最好的方法还是要实践。因此，应该先试着做科研，再尝试工业界实习。对待科研机会，有则就上，没有也不是太大的遗憾。我建议大部分做机器学习的朋友尽早实习，主要出于以下几个考量：
但对特定领域的深刻理解往往就是捅破窗户的那最后一层纸，只理解模型但不了解数据和数据背后的意义，导致很多机器学习模型只停留在好看而不实用的阶段。

思想：

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。
在思考之后，拒绝外界的噪音，无论是鼓励还是嘲笑。抱着“不撞南山不回头”的信念，继续朝机器学习的高峰攀登。好运！