重磅干貨，第一時間送達(dá)

作者：Frank Tian
https://www.zhihu.com/question/332726203/answer/737596538

入門

首先，你要知道什么是機(jī)器學(xué)習(xí)。

這里我推薦Andrew Ng的機(jī)器學(xué)習(xí)教程，比較適合新手和來自工業(yè)界對數(shù)學(xué)要求不是很高的同學(xué)。

這門課適合剛上大學(xué)的萌新們。

https://www.bilibili.com/video/av50747658

它有19個小時，我看完它用了將近兩個月，我建議你也不要看的太急。

當(dāng)看完這些教程之后，你就對機(jī)器學(xué)習(xí)有了清晰的認(rèn)知。

https://www.bilibili.com/video/av49445369

這門課同樣不難，不需要高深的數(shù)學(xué)知識，同樣是為新手們準(zhǔn)備的。

深度學(xué)習(xí)的內(nèi)容稍多，Andrew帶你粗略的了解了AI的一些方面，一共25個小時，我看完它花了三個月。

在期間我去實(shí)踐了他提到的各種優(yōu)化方法和技巧，閱讀了CV和NLP領(lǐng)域他提到的論文，并且找到輪子跑了跑。

我認(rèn)為，深度學(xué)習(xí)的學(xué)習(xí)更重要的是實(shí)踐。

進(jìn)階

接下來，你可以嘗試讀一些有公式推導(dǎo)的專業(yè)書籍了。

前提是你已經(jīng)了解了線性代數(shù)，微積分和概率論的知識，當(dāng)然，作為計算機(jī)系的同學(xué)，你一定掌握了離散數(shù)學(xué)。

我推薦《統(tǒng)計學(xué)習(xí)方法》，它適合接受能力正常的同學(xué)。

https://book.douban.com/subject/10590856/

因?yàn)槲沂墙佑|機(jī)器學(xué)習(xí)很久后才接觸到這本書的，因此我讀的很快，沒有印象到底讀了多久。總之這本書比較平易近人。

https://book.douban.com/subject/26708119/

這本書的覆蓋范圍非常廣，適合打算進(jìn)一步深入這個領(lǐng)域的同學(xué)。

這本書是我機(jī)器學(xué)習(xí)的入門書籍，又愛又恨。

看這本書的同時你可能會感到數(shù)學(xué)基礎(chǔ)不夠，十分歡迎你補(bǔ)課凸優(yōu)化。

https://book.douban.com/subject/21249088/

https://www.bilibili.com/video/av40868517

李宏毅老師非常幽默風(fēng)趣，上他的課是十分快樂的事情。

https://www.bilibili.com/video/av10590361

https://www.bilibili.com/video/av9770302

我真得真得非常喜歡他講的課，同時我認(rèn)為你看完這些課之后會對機(jī)器學(xué)習(xí)（主要是深度學(xué)習(xí)部分，對，他幾乎不怎么講統(tǒng)計學(xué)習(xí)）有更深的認(rèn)識。

這三個視頻分別是31，40，11個小時，我看完花了相當(dāng)長的時間，如果你已經(jīng)有一些接觸但是擔(dān)心他哪里講的太好沒聽到可惜，那么可以先瀏覽他的slides，slides做的也非常棒！

因?yàn)檫@本書開源了，我直接給你pdf：https://urlify.cn/JZFBJv

這本書是強(qiáng)化學(xué)習(xí)領(lǐng)域非常非常經(jīng)典的教材，但是這本書寫的太磨嘰了！

不過我也沒有其他備選項，如果有讀過其他強(qiáng)化學(xué)習(xí)教材，感覺不錯的，歡迎補(bǔ)充。

深入

接下來該深入了解機(jī)器學(xué)習(xí)了，到了這個階段，你也不是大家口中的小白了。

統(tǒng)計學(xué)習(xí)方面，我推薦Pattern Recognition and Machine Learning

https://book.douban.com/subject/2061116/

這本書詳細(xì)的介紹了頻率派和貝葉斯派的思想，讀這本書的時候你會有一種恍然大悟的感覺。

注意網(wǎng)上的版本可能會有錯誤，參考這本書的勘誤。https://urlify.cn/ER7zie

https://book.douban.com/subject/26883982/

https://book.douban.com/subject/4007200/

它和前面那本Reinforcement Learning: An introduction一樣，非常全面，但缺點(diǎn)是太啰嗦了，英文版1200+頁，我沒讀完。

https://book.douban.com/subject/3294335/

https://book.douban.com/subject/1789534/

https://book.douban.com/subject/10758624/

可以看到，這些書的側(cè)重點(diǎn)都不同，這也是為什么我打算都讀一遍它們。

當(dāng)然，如何找到合適的論文，這類問題在知乎已經(jīng)有非常詳細(xì)的回答了。同時，知乎也是一個學(xué)習(xí)機(jī)器學(xué)習(xí)的好地方，這里有很多知識淵博的答主，他們在我剛?cè)腴T的時候給了我非常大的幫助。

2.數(shù)學(xué)基礎(chǔ)。有些人覺得現(xiàn)在搞深度學(xué)習(xí)不需要啥數(shù)學(xué)基礎(chǔ)，但那樣只會淪為低級的調(diào)包俠，不能成長為一名合格的煉丹術(shù)士。機(jī)器學(xué)習(xí)（包括深度學(xué)習(xí)）需要的數(shù)學(xué)基礎(chǔ)包括：微積分（熟練掌握），凸優(yōu)化（熟練掌握），矩陣論（熟練掌握其中矩陣運(yùn)算，各種分解等，并理解其含義），泛函分析（理解，如果不做相關(guān)內(nèi)容，看著不眼生即可），高等概率論（理解，常用概率公式和概率定理）。數(shù)學(xué)不要光看，要聯(lián)系機(jī)器學(xué)習(xí)當(dāng)中的實(shí)際應(yīng)用一起理解。

3.編程基礎(chǔ)。常用的有python，MATLAB，C/C++等，理論上C/C++學(xué)好了，其他語言掌握特性和擴(kuò)展包即可。

4.如何深入。找個靠譜的老師！找個靠譜的老師！找個靠譜的老師！翻到你們學(xué)院老師主頁，如有文章發(fā)表在NIPS，ACL，CVPR，ICLR，ICML等會議上，說明學(xué)術(shù)水平非常不錯。然后打聽其人品，人品可以，就聯(lián)系跟著做。靠譜的老師會直接帶你走入到一個細(xì)分領(lǐng)域的最前沿，節(jié)省大量的搜索時間。

推薦個我們學(xué)校的課程：https://urlify.cn/JJVv6v

在syllabus那一欄下面有所有的課件。我覺得Kilian是個很好的教授，講得非常清楚。（雖然我不怎么去上課。。）他的課件也是循序漸進(jìn)挺有條理的。我感覺機(jī)器學(xué)習(xí)的傳統(tǒng)方法其實(shí)都是統(tǒng)計的各種運(yùn)用。。所以如果題主統(tǒng)計學(xué)得好的話其實(shí)看起來應(yīng)該沒有什么問題。在知道各種傳統(tǒng)模型背后的原理之后其實(shí)就可以去調(diào)參娛樂了。推薦再學(xué)個python，現(xiàn)在感覺python已經(jīng)占領(lǐng)了機(jī)器學(xué)習(xí)領(lǐng)域。。

如果題主追求分析模型的能力，比如說分析一個SVM的最大error margin是多少這種東西，就屬于master level的課程了。類似于machine learning theory這種課。我能力有限無法做出評價。

課程后半段會討論深度學(xué)習(xí)的概念，這個學(xué)起來的感覺和傳統(tǒng)模型差別很大，挺魔性的。我覺得作為本科生題主只要能在不同場景下知道運(yùn)用什么魔性，大概怎么調(diào)參，就可以了。如果以后還對這個領(lǐng)域感興趣的話可以讀研讀博深造。如果你想要練手的項目之類的我也可以試著去翻翻以前的作業(yè)。。

準(zhǔn)備

循序漸進(jìn)

練手

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~