自學(xué)機器學(xué)習(xí)怎么入門

有很多小伙伴想自學(xué)機器學(xué)習(xí)，但是無從下手，特意找來知乎高贊回答，感覺看了以下回答，會有所受益。

入門

首先，你要知道什么是機器學(xué)習(xí)。

這里我推薦Andrew Ng的機器學(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，你就對機器學(xué)習(xí)有了清晰的認(rèn)知。

接下來，你可以感性的認(rèn)識一下深度學(xué)習(xí)，我同樣推薦Andrew的課。

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)更重要的是實踐。

進階

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/

因為我是接觸機器學(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?？傊@本書比較平易近人。

如果你覺得你的理解能力一流，我推薦《機器學(xué)習(xí)》。

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

這本書的覆蓋范圍非常廣，適合打算進一步深入這個領(lǐng)域的同學(xué)。

這本書是我機器學(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，十分歡迎你補課凸優(yōu)化。

我推薦Boyd的covex optimization，Boyd書寫的不錯，但是感覺課講的不太好，同時推薦凌青老師的公開課。

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

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

如果你的數(shù)學(xué)基礎(chǔ)比較好，又不太喜歡讀書，我強烈推薦你直接看李宏毅老師的公開課。

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

如果想進一步了解機器學(xué)習(xí)的最新進展，可以看https://www.bilibili.com/video/av46971639

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！

前面的課程和教材都集中在監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，別忘了強化學(xué)習(xí)也是機器學(xué)習(xí)非常重要的一部分，強化學(xué)習(xí)推薦大家都熟知的Reinforcement Learning: An introduction.

因為這本書開源了，我直接給你pdf：https://urlify.cn/JZFBJv

這本書是強化學(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，如果有讀過其他強化學(xué)習(xí)教材，感覺不錯的，歡迎補充。

深入

接下來該深入了解機器學(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

同時，深度學(xué)習(xí)方面推薦非常經(jīng)典的花書，它也被稱為深度學(xué)習(xí)的圣經(jīng)。

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

概率圖模型推薦這本Probabilistic Graphical Models

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

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

然后，下面是一些在我書單里，但是我還沒有開始讀的書，大家可以了解一下。

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)重點都不同，這也是為什么我打算都讀一遍它們。

當(dāng)你進入「深入」這個階段的時候，其實你完全可以開始自己讀論文了。

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。

二

作者：hy5468
https://www.zhihu.com/question/332726203/answer/734365629

入門不難，深入難

1.了解什么是機器學(xué)習(xí)。推薦吳恩達（Andrew Ng）機器學(xué)習(xí)課程（非深度學(xué)習(xí)課程），看下來最適合初學(xué)者的還是吳恩達的視頻，講的內(nèi)容精要但是有來龍去脈，必要的數(shù)學(xué)原理會解釋到能讓人看懂的程度，當(dāng)然更深入的理解就要學(xué)習(xí)相應(yīng)的數(shù)學(xué)基礎(chǔ)。

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)系機器學(xué)習(xí)當(dāng)中的實際應(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?？孔V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。

三

作者：Kel Liu
https://www.zhihu.com/question/332726203/answer/756804600

如果只是想學(xué)到會用各種模型解決問題的話現(xiàn)在的理論儲備已經(jīng)夠了。

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挺有條理的。我感覺機器學(xué)習(xí)的傳統(tǒng)方法其實都是統(tǒng)計的各種運用。。所以如果題主統(tǒng)計學(xué)得好的話其實看起來應(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)。

四

作者：匿名用戶

https://www.zhihu.com/question/332726203/answer/110691656

首先，不會很困難，學(xué)過高數(shù)線代概率論就行。

其次，對于怎么學(xué)的問題，私以為，選擇太多往往會每個就看一點最后什么都沒學(xué)到。建議按如下順序?qū)W習(xí)：

1.coursera上吳恩達機器學(xué)習(xí)--推導(dǎo)少，簡單易懂，適合入門；

2. 有了大致印象之后，可以看一些更深的課程。比如李宏毅和林軒田，B站上有；

3. 強烈推薦看B站大神shuhuai008機器學(xué)習(xí)白板推導(dǎo)系列，看完之后機器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)應(yīng)該很不錯了。

以上都完了之后，如果你還是一個本科生，建議找導(dǎo)師進實驗室/聯(lián)系實習(xí)。

五

作者：凌軍

https://www.zhihu.com/question/332726203/answer/760396018

在讀小碩士一枚，大四考研期間抽時間學(xué)了python和機器學(xué)習(xí)，不請自來分享一下學(xué)習(xí)經(jīng)歷。

準(zhǔn)備

學(xué)機器學(xué)習(xí)首先要入門一點基礎(chǔ)概念，比如機器學(xué)習(xí)是什么，包括哪些研究問題，研究方法等等。比較知名的教材像《模式識別與機器學(xué)習(xí)》這本書，還有國內(nèi)很火的西瓜書《機器學(xué)習(xí)》（周志華著）把幾十年來的東西都總結(jié)了下來，看看目錄就能對這些問題有個膚淺的了解。

循序漸進

大概了解之后就得選擇學(xué)習(xí)資料，教科書自然就不用說了，肯定是必看的。想學(xué)得循序漸進一點的話，可以在慕課上參加國內(nèi)大學(xué)開設(shè)的機器學(xué)習(xí)課程或者在coursera上選一門課程，每天跟著課程學(xué)習(xí)，完成作業(yè)。

這當(dāng)然還不夠，如果只聽課，聽完了不會有很深的印象，對應(yīng)機器學(xué)習(xí)中的學(xué)習(xí)型算法，像線性回歸，邏輯回歸，決策樹，隨機森林，支持向量機等的數(shù)學(xué)推導(dǎo)應(yīng)該能做出來才能證明你懂基本原理了，更深刻的知識比如這些方法適用的問題，優(yōu)缺點等應(yīng)該很熟悉才對。

練手

理論搞懂了就可以實戰(zhàn)了，可以試著拿一些小數(shù)據(jù)集來訓(xùn)練，手寫優(yōu)化算法，作為檢查對比，可以用機器學(xué)習(xí)包sklearn做一個對比結(jié)果，了解一下自己算法新能的差異。

代碼都搞通了就可以參加上kaggle做更大規(guī)模貼近真實場景的數(shù)據(jù)了。。

六

作者：菜狗

https://www.zhihu.com/question/332726203/answer/737205846

我個人覺得，先挑一個不錯的教程，比如吳恩達的課程來看，不要著急好好理解體會內(nèi)容，不懂的地方就多看看別的資料、書籍之類的。

同時好好學(xué)習(xí)自己的專業(yè)課，比如數(shù)學(xué)能力、編程能力都很重要。學(xué)這東西也不要著急，踏踏實實的學(xué)，等入門了在開始看點的稍微難點的，比如吳恩達cs229或者李航的統(tǒng)計學(xué)習(xí)方法。

最好跟著導(dǎo)師做下項目，這個很重要，同時有時間的話在參加下相關(guān)的比賽，對個人能力都是個提升，如果靜下心來搞科研的話，還是要多看看state of art的論文，跟著前沿走。