雷锋网 (大众号：雷锋网) 按：这里是，油管Artificial Intelligence Education专栏，原作者Siraj Raval受权雷锋字幕组编译。
原标题 Learn Machine Learning in 3 Months
翻译 | 杨丽 廖颖 字幕 | 凡江 整理 | 廖颖 编辑 | 吴璇
到目前为止，我收到最多的成绩，就是怎样入门机器学习。为此，我制定了一个三个月的学习指南来协助你们，更好地从入门级老手变成机器学习的通晓者。
同时，为了那些仅能应用闲余工夫来学习的人——不论是任务党，还是先生党，我都会用视频停止解说。假如你能一心一意投退学习，就可以事半功倍地达成效果。
首先，我们先来看看 DeepMind 招聘页面。屡屡提到发布的人工智能算法， DeepMind 都称得上是世界抢先的机构。我们来看一下研讨工程师职位。这个职位描绘所需求担任的是团队的一局部，需求担任AlphaGo，Deep Q Network 和 WaveNet。它们每一个在 AI 范畴都具有反动性。
AI 的最低要求是 具有计算机迷信学士学位，或是通晓 Python，机器学习和算法设计相关范畴的人才。在契合以上优先条件者中，不需求具有博士学位或宣布一大堆论文。
假如我们要创立一个饼图来了解机器学习的必要性，它是这样散布的：
其中35%是线性代数，25%是概率论和统计学，15%是微积分，另外的15%是算法及其复杂性，最初的10%就是数据预处置知识
。
依据这些要求，我们可以围绕着这张图树立我们本人的课程。
我将这门课程划分为三个月。第1个月次要讲数学和算法复杂性，第2个月讲机器学习，第3个月讲最受欢送的深度学习。
在开端之前我想说的是，你每天的义务之一就是跟上节拍。
这里是我引荐一些学习资源：
-
第一个引荐的，就是我的 YouTube频道 ，我会把AI方面的内容发布在这里。每周不连续，点击订阅按钮，可以告诉你发布了新的内容。
-
假如你还没有没关注，还有一个选择，就是下一个是 MachineLearning 。无论是努力于机器学习的学者，还是企业人才，都会在这里分享他们的发现。
-
另外，Twitter也是一个未被充沛应用的资源。Twitter就像一个学习养料，假如你运用妥当，就可以向凶猛的人学习。滚动Twitter页面，它不像大少数社交平台那样鱼龙混杂。现实上它可以丰厚你的知识，机器学习研讨员喜欢运用这个平台来停止一些十分好的学术争论。我关注的研讨员有 Ilya Sutskever，Trent Mcconaghy Andrej Kappathy，Andrew Trask，Pieter Abeel，Chirs Olah，Nando De Freitas等。
-
而 Hacker News 是另一个必备的网站，网站对旧事选择很慎重，只要最好的观念和论据才干置顶。
以上一切的资源都是基于视频的，经过运用视频和冗长的网络文本方式可以学得更好。而仅仅运用纯文本的方式，记载下一个个的公式，却没有实践使用，效果不佳。
第一个月：数学
如今开端，进入第一个月的学习——数学。我们将从大少数机器学习的组成——线性代数开端。麻省理工地下课中最受欢送的课程就是 Gillbert Strang教授的线性代数课程 。在YouTube的播放列表中有35个视频可以停止观看，假如工夫紧张，可以2倍速观看每一个视频，甚至3倍速。
观看的时分要做笔记，记载并不是必要的，只是为了稳固所学。这样可以使学习更无效率。研讨标明，经过手写笔记，可以进步大脑保管所学概念的才能。
然后就是微积分。 3Blue1Brown 频道有一个很棒的播放列表叫做 微积分的实质 ，他教你微积分的方式会让你觉得微积分就像本人创造的一样。
学习概率和统计时，edX（麻省理工和哈佛大学联手创立的开放在线课堂平台）有一门很好的课程叫做“ 迷信的不确定性 ”，你也可以在edX上找到一门很好的算法设计和剖析课程。由U penn教授执教，每一门课程发布一周。
我们还得练习减速学习。所谓的减速学习就是每天不连续学习2到3小时，要像海绵一样，以更快的速度观看视频，看视频的同时做笔记。在每个星期完毕时，完成一个项目，最好是比拟难的项目，这样有利于提升完善本人。 这些项目都有一页简介，可以在网上找到。学习仅仅是把数据下载到你的大脑中，你可以运用工具来减速这一进程。
第一周 线性代数： https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/
第二周 微积分： https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr
第三周： https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2
第周围 算法： https://www.coursera.org/courses?languages=en&query=Algorithm%20design%20and%20analysis
第二个月：机器学习
到第二个月的机器学习，有3个播放列表可以观看学习—— 数据迷信中的 python ， 智能数学 和 Tensorflow 的引见 。看一下Udacity机器学习课程的收费引见，制造得相当好。接上去的两个星期，你可以选择一些很棒的机器学习项目去完成，应用python编写本人的代码。有了好的编译思想就可以用github链接的方式来协助大家。这个会协助你理解何时运用特定的机器学习模型以及它是如何在特定的运用案例使用中任务的。
另外，我也建议参与一个非正式的竞赛——这是一个好的办法去学习，同时还可以挣钱。通常需求停止分类，能分类出某品种型的成绩，某种机器学习模型，这种模型普通是参谋提供应公司的高薪机器学习模型。经过本人树立模型，可以学得更好。
我建议一周选择两个项目从头开端学习，这会为你提供机器学习的理论经历，包括优化数据预处置，学习类型数据联系和模型评价。这些都是将海绵形式转换成代码。许多的数据迷信的艺术，在于你做的用于处理特定成绩的少量微观决策。这是练习微观决策的很好的时机，同时可以评价每一个的后果。
scikit-learn是一个十分复杂的框架，能疾速完成一些机器学习模型。你会发现，在完成一个义务的进程当中，你会问本人异样的成绩——如何最好地停止数据联系？什么是最好的参数？……
月底的时分，你应该给本人最初一个项目，那就是复杂梯度下降算法代码。这是机器学习中最常用的优化战略。假如你可以从头开端编码，那么一切都会变得更容易。
第一周
-
数据迷信中的 python https://www.youtube.com/watch?v=T5pRlIbr6gg
-
智能数学 https://www.youtube.com/watch?v=xRJCOz3AfYY
-
引见Tensorflow https://www.youtube.com/watch?v=2FmcHiLCwTU
第二周
Udacity机器学习 https://eu.udacity.com/course/intro-to-machine-learning--ud120
第三、周围
机器学习项目 https://github.com/NirantK/awesome-project-ideas
第三个月：深度学习
进入第3个月，深度学习是一种特定的算法，即神经网络算法。这种算法需求给定少量的数据和弱小的计算才能，它的效果和工夫都优于其它算法，这就是为什么它如此受欢送。
看看我在YouTube上对
深度学习课程的引见
，看一下
Fast.AI的课程
——有36小时高质量课程是收费的。在过来两周里，仅仅完成了在深度学习使用里完成深度学习使用。时期，你的github上应该至多有5-10个项目触及到机器学习和深度学习。你可以从复杂的感知器学习到最先进的模型，它们的差别通常只是在构造上的一些小的调整。如今深层学习空间拥有丰厚的技术文献，其中一些好东西都是收费的。
3个月之后，不论是你机器学习范畴任务的工程师，或是开了一家征询公司，还是开收回本人的基于 AI 的产品，都应该有足够的决心运用你所学的知识。不要通知本人，我学不会或许我不够聪明。记住，学习是一个漫长的进程，不论你有多大的年岁，从哪里来，你都可以完成这个目的。借助互联网的力气，你可以在这个范畴发生影响。
假如你不喜欢我的学习方案，那就本人制定一个吧。做最合适你本人的事情，最好是让一个冤家和你一同同步学习，这样就能彼此监视鼓舞，而不前功尽弃。只需给本人一个积极的心思暗示，就不会随便保持。
人工智能将掩盖每一个行业，改动它对人类的意义。不论你能否了解它，不论你支持那一边，这一切都发作得非常迅猛。 开端你的学习之旅吧，我在这里等大家。
第一周 深度学习引见 https://www.youtube.com/watch?v=vOppzHpvTiQ
第二周 Fast.AI的深度学习 http://course.fast.ai/
第三、周围 我Github上的深度学习实例 https://github.com/llSourcell?tab=repositories
视频旧址 https://www.youtube.com/watch?v=Cr6VqTRO1v0
更多文章，关注雷锋网 雷锋网
添加雷锋字幕组微信号（leiphonefansub）为好友
备注「我要参加」，To be an AI Volunteer ！
。
