机器之心原创

2021/09/22 13:34

小舟编辑

2021入坑机器学习，有这份指南就够了

这是一份适用于小白的机器学习超丰富资源指南。

机器学习社区社交媒体上经常有人提出这样的问题：

我如何开始机器学习？
我如何免费学习？
什么是人工智能？我怎样才能学会它？
人工智能是如何工作的？我该从何学起？
如果我没有开发人员背景，该如何开始？
......

面对这些问题，油管博主 What's AI——Louis Bouchard 撰写了一份关于「如何在 2021 年零基础开始机器学习」的完整指南，整合了大量学习资源，而且大部分是免费的。

项目地址：https://github.com/louisfb01/start-machine-learning

该资源现已获得 1.6K star 量，并且仍在持续更新中。我们来看一下这份指南的具体内容。

1. 首先 Bouchard 列出了一些初步了解机器学习领域及其术语的视频，并整理好了免费链接，包括 What's AI 的 Learn the basics in a minute、Welch Labs 的 Neural Networks Demystified 和 3Blue1Brown 的 Neural networks。

Welch Labs 的 Neural Networks Demystified

2. 第二部分 Bouchard 进一步列出了一些更系统的机器学习入门课程，包括 AI 大牛吴恩达的斯坦福 CS229。

3. 阅读一些优秀的线上文章，线上文章大多是被多次浏览的，优秀的技术文章能够脱颖而出说明它们受到许多人认可。目前 Bouchard 列出的文章包括：

4. 除了文章，一些体系完整的书籍也是可以阅读学习的，Bouchard 给大家整理了一些书目的在线版：

5. 入门机器学习没有相关的数学知识怎么办？这让许多初学者望而却步。在这份指南中，Bouchard 给大家推荐了可汗学院的 3 门数学课程：线性代数、统计与概率、多元微积分。此外，他还推荐了一些与数学相关的书和视频，供大家进行更结构化的学习。

可汗学院的线性代数线上课程。

6. 除了数学基础，一些跨专业学习的初学者可能缺乏编程的基础知识。Bouchard 主要为大家整理了一些学习 Python 的课程资源：

7. 与其他领域一样，名校以及领域内大牛的课程是含金量非常高的，例如图灵奖得主 Yann LeCun、吴恩达等都有自己的线上课程，Bouchard 的指南中目前整理了如下内容

8. 掌握理论知识后，实践也是非常重要的。Bouchard 在指南中推荐了数据建模和数据分析竞赛平台 Kaggle，在 Kaggle 上完成相应题目的编码和测试是机器学习社区常见的实践学习方式。

Kaggle 平台地址：https://www.kaggle.com/

9. 此外，Bouchard 还为大家整理了一些提供领域新闻和资讯的社区平台或网站。借助这些平台，研究者们能够查阅最新的研究进展和论文等，包括 reddit、Medium 等。

最后，Bouchard 整理了 AI 领域目前面临的重要问题——伦理道德与可信 AI 的相关信息，还在个人博客中总结了一些机器学习工作面试的小技巧：https://www.louisbouchard.ai/learnai/#how-to-find-a-job

如此完备的机器学习入门指南，感兴趣的同学快去查看原项目的丰富资源吧

入门入门教程

相关技术

机器人操作系统

所属机构

百度研究院

来源：个人网站 Ng, A. Y.Twitter

数据分析技术

数据分析是一类统计方法，其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系，并绘制出统计信息图，以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据，以便弄清哪些是同质的，从而更好地了解数据。数据分析可以处理大量数据，并确定这些数据最有用的部分。

来源：维基百科

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

微积分技术

微积分（Calculus）是高等数学中研究函数的微分(Differentiation)、积分(Integration)以及有关概念和应用的数学分支。它是数学的一个基础学科。内容主要包括极限、微分学、积分学及其应用。微分学包括求导数的运算，是一套关于变化率的理论。它使得函数、速度、加速度和曲线的斜率等均可用一套通用的符号进行讨论。积分学，包括求积分的运算，为定义和计算面积、体积等提供一套通用的方法。

来源：百度百科

线性代数技术

线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。

来源：百度百科