感謝黃海廣博士的分享

原創： 機器學習初學者 機器學習初學者 今天

機器學習如何入門？目前沒有明確的答案。本站面向廣大初學者，推薦下機器學習（含深度學習）簡易入門的路線及學習資料，入門了以後，就會知道自己需要增強哪部分知識了，也會知道找什麼資料來學習。

（1）機器學習正規學習路線

如何學好機器學習？正規路線大概是這樣的：

1.學好數學基礎

數學分析（微積分），線性代數，概率論，統計，應用統計，數值分析，常微分方程，偏微分方程，數值偏微分方程，運籌學，離散數學，隨機過程，隨機偏微分方程，抽象代數，實變函式，泛函分析，複變函式，數學建模，拓撲，微分幾何，漸近分析......

2.學習經典機器學習書和教程

經典書籍：Duda的《模式分類》、Mitchell的《機器學習》、李航的《統計學習方法》、周志華的《機器學習》......

吳恩達：《機器學習》公開課、《深度學習》公開課。

李巨集毅：《機器學習基石》、《機器學習技法》。

3.學好程式語言

精通Python、Java、R、MATLAB、C++等程式語言。

4.閱讀論文

學好英語，熟讀經典論文，並且讀最新的機器學習論文，如頂級會議論文等，掌握最新的技術方向。

5.參加實際專案

如大廠實習、參加Kaggle、天池等資料競賽......

按照以上路線學完以後，雖然不一定能成為業界大牛，博士畢業完全沒有問題了。

以上方法存在的問題：

• 大部分學習者的學習目的不是為了科研，而是希望把機器學習作為工具來使用。

• 大部分學習者時間有限，學不完這麼多資料，不知道如何取捨。

• 有些資料太難，作者假設學習者有一定的基礎，對一些步驟進行了省略，好多初學者看了的感覺是這樣的：

其實大部分人學習機器學習的目的，只要會用機器學習演算法及工具，解決一些問題，瞭解演算法的基本原理即可，並不需要學得那麼深入。上面的學習路線，第一條就勸退了好多人了。沒有幾個人能像博士一樣紮實地學好數學基礎，也沒有幾個人能讀完經典著作和熱門教程，只是希望快速入門機器學習。

在這種情況下，本站推薦下快速的機器學習入門路線。

（2）機器學習快速入門

1.基礎知識

熟悉基本的數學知識，最主要是高等數學、線性代數、概率論與數理統計三門課程，這三門課程應該是本科必修的，如果真的忘了，那就看下這篇文章：《機器學習的數學基礎》，可以把這篇文章提供下載數學資料看一遍，不需要全看懂，但是基礎的公式要大致明白，能從資料中查詢公式，裡面有兩個公式總結材料：

1) 機器學習的數學基礎.docx

（中文版，對高等數學、線性代數、概率論與數理統計三門課的公式做了總結）

2) 斯坦福大學機器學習的數學基礎.pdf

（原版英文材料，非常全面，建議英語好的同學直接學習這個材料）。

本人非常建議打好數學基礎，數學基礎決定了機器學習從業人員的高度。

但是，如果學習時間太少，又想入門機器學習，就學習上面兩個公式總結材料其中的一個。

2.機器學習的教程

1) 機器學習入門的最佳教程

應該是吳恩達老師的《機器學習》公開課，這門課面向初學者，注重實際應用，並不側重數學推導。這門課開課較早，但到現在仍然是最火的機器學習公開課，評分非常高，課程配套作業（octave版本）。

學習這個課程注意事項：

• 第五章Octave教程、第十八章應用例項，這兩章可以不用學，有點過時了。

• 原版的octave作業可以不用做，可以做修改過的python版本作業。

• 如果和吳恩達老師的《深度學習》公開課一起看，第四、五、六週的內容可以直接學習《深度學習》的相關內容。

• 這個教程建議在三個月內看完，如果有些地方看不懂，沒關係，以後用到的時候再回頭看看。

• 這個課程建議配合課程筆記一起看。本站已經提供了筆記下載

課程的視訊、筆記、python程式碼作業，請在這篇文章下載。

2) 機器學習小抄

把機器學習的概念做成背託福單詞的隨身小抄一樣方便！分分鐘搞定機器學習各種記不住的概念！這篇建議用一週時間看完，注意是略讀，有些地方不懂沒關係，做下記錄，以後用到的時候再查。

3) 李航《統計學習方法》

詳細介紹支援向量機、Boosting、最大熵、條件隨機場等十個統計學習方法。對數學基礎有一定要求，這是經典中的經典，很多國內的網課，網際網路企業的面試、筆試題目，或多或少，參考了這本書的內容，對初學者來說，有點難度，但是，如果想通過面試筆試，這本書應該要看懂，試著推導下演算法。

4) 深度學習最佳入門教程

吳恩達《深度學習》公開課

這個視訊教程用最簡單的方式，把深度學習的主要演算法和框架講得非常清楚，課程附帶程式碼作業和測試題作業，學完以後，深度學習就算入門了。每章的學習建議：

• 第一章：神經網路與深度學習

部分內容是《機器學習》公開課的第四、第五週的升級版

• 第二章：改善深層神經網路 

這部分內容基本沒有和《機器學習》公開課有重合部分。

• 第三章：結構化機器學習專案

部分內容是機器學習的第六週的升級版。

• 第四章：卷積神經網路 

這部分主要用於影象、目標檢測方面的，相當於斯坦福CS231n深度學習與計算機視覺-李飛飛主講的課程的簡化。

• 第五章：序列模型 

這部分主要用於自然語言處理，注意一點：RNN/LSTM結構裡的符號，和原始論文有點不一樣，我們平時的部落格、論文的符號，跟吳恩達老師的課程的符號略有區別。

課程的視訊、筆記、python程式碼作業，請在這篇文章下載。

臺大李巨集毅教授的深度學習講義，這是我見過最容易懂的深度學習入門資料，300多頁的講義能系統、通俗易懂地講清楚深度學習的基本原理，如同機器學習小抄一樣生動形象。

建議用幾天時間把這個講義瀏覽一次，可以基本瞭解什麼是深度學習，深度學習有什麼用。

3.學好程式語言

由於只是入門，僅推薦python這門程式語言。

機器學習主要的程式碼工具為python，python學習到底要學到什麼程度？個人感覺：入門最重要，至少要學到碰到問題能查百度的程度。

1) python安裝：

關於python安裝包，我推薦下載Anaconda，Anaconda是一個用於科學計算的Python發行版，支援 Linux, Mac, Windows系統，提供了包管理與環境管理的功能，可以很方便地解決多版本python並存、切換以及各種第三方包安裝問題。下載地址：https://www.anaconda.com/download/ 推薦選Anaconda （python 3.6版本）

IDE：推薦使用pycharm，社群版免費，下載地址：https://www.jetbrains.com/

2) python入門的資料推薦

a.《利用python進行資料分析》

這本書含有大量的實踐案例，你將學會如何利用各種Python庫（包括NumPy、pandas、matplotlib以及IPython等）高效地解決各式各樣的資料分析問題。

這個是我看的第一本python入門資料，如果把程式碼都執行一次，基本上就能解決資料分析的大部分問題了。

下載地址：建議購買書，原始碼可以上百度搜索。

注意：第二版中文翻譯已經有人寫了，建議搜尋下載。

b.python入門筆記

作者李金，這個是jupyter notebook檔案，把python的主要語法演示了一次，值得推薦。

下載地址：https://pan.baidu.com/s/1snmeqlR 密碼：hkv8

c.南京大學python視訊教程

這個教程非常值得推薦，python主要語法和常用的庫基本涵蓋了。

視訊下載地址：https://yun.baidu.com/s/1cCbERs 密碼:7thx

看完這三個資料，python基本入門了，同時可以使用scikit-learn等機器學習庫來解決機器學習的問題了。

4) 深度學習主要框架的學習

深度學習的主要框架，最基礎的，應該是Tensorflow和Keras。教程很多，可以選擇性地學一下，本站推薦簡便的入門方法：

a.Tensorflow入門

吳恩達《深度學習》公開課第二門課3.11介紹了Tensorflow的基本用法（對應筆記p251），這些用法會了以後，基本上能看懂大部分程式碼了，結合該課程的程式碼作業，不懂的地方搜百度都能搜到了。

b.Keras入門

《python深度學習》書和配套程式碼，《python深度學習》由Keras之父、現任Google人工智慧研究員的弗朗索瓦•肖萊（François Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，包括計算機視覺、自然語言處理、產生式模型等應用。書中包含30多個程式碼示例，步驟講解詳細透徹。

作者在github公佈了程式碼，程式碼幾乎囊括了本書所有知識點。在學習完本書後，讀者將具備搭建自己的深度學習環境、建立影象識別模型、生成影象和文字等能力。但是有一個小小的遺憾：程式碼的解釋和註釋是全英文的，即使英文水平較好的朋友看起來也很吃力。

本站對全部程式碼做了中文解釋和註釋，並下載了程式碼所需要的一些資料集（尤其是“貓狗大戰”資料集），並對其中一些影象進行了本地化，程式碼全部測試通過。（請按照檔案順序執行，程式碼前後有部分關聯）。

本站認為，這本書和程式碼是初學者入門深度學習及Keras最好的工具。

電子書及中文註釋程式碼請點選下載。

4.閱讀論文

1) 學好英語，讀一些優秀論文

選擇性地讀一些經典論文，英語真的不好，就輸入論文題目搜下百度，很多部落格會對經典論文有詳細的解釋。

看論文的關鍵：復現作者的演算法。

根據論文，復現成功演算法後，通常就能對論文有深刻的理解了。經典論文都是可以復現的，github都有，最新的優秀論文，通常也能搜到程式碼。

2) 學會整理論文

讀過的論文分類整理下，推薦下論文管理神器zotero，功能強大，可以在論文上記筆記，並支援不同電腦之間的同步。

5.參加實際專案

如果有大廠的實習機會，儘量去，能學到不少東西。

沒有實習機會，可以嘗試參加下kaggle比賽，不一定要取得多少名次，可以搜搜歷次比賽，下載資料，下載別人的公開程式碼，復現下。

國內也有類似的比賽，如天池，DF等。

通常，在2-3個比賽能達到top1%的成績，程式碼能力基本沒有問題了。

但是，不建議在比賽中花太多時間，比賽大部分時間是用於特徵工程，在實際工作中並不一定能用上，只要能解決問題就行了，其他時間用於學習吧。

6.多和學習者交流

交流的方式有很多種，如參加學術活動、實驗室討論等，但我認為最有效的交流方式還是加入一些學術討論組織，如微信群，qq群等。“聞道有先後術業有專攻”，不懂很正常，不懂就要問，“三人行，必有我師。”

（3）總結

學習機器學習，儘可能打好數學基礎，機器學習從業者數學基礎不紮實，只會用一些工具和框架，相當於某些武術家只會耍套路，外行人覺得很厲害，但實戰起來一定是鼻青臉腫。可以說，數學基礎是機器學習從業人員的天花板。為什麼機器學習從業人員學歷越高，往往工資越高，通常和掌握的基礎知識正相關。

本文的方法，只適合快速入門，入門了以後，你就會知道哪方面的不足，自己也會找資料學習了。

本文的方法僅供參考。