AI - 学习路径（Learning Path）

初见

• 机器学习图解
• 这3张脑图，带你清晰人工智能学习路线
• 错过了这一篇，你学机器学习可能要走很多弯路
• 在机器学习 100 天之后的 5 点洞察

一些课程

Andrew Ng的网络课程

• HomePage：http://www.deeplearning.ai/
• 网易云课堂（中文翻译版）：https://mooc.study.163.com/smartSpec/detail/1001319001.htm

Andrew Ng的机器学习课程

• coursera：https://www.coursera.org/learn/machine-learning
• 网易云课堂：https://study.163.com/course/introduction/1004570029.htm
• 启蒙课程，目的是让初学者能够快速对整个机器学习知识点有比较整体的认识，便于快速入门。
• 难度适中且完全免费，提供中文字幕，完成时间大约为55小时，课程中没有复杂的公式推导和理论分析。
• 基本涵盖了机器学习的主要知识点，例如：线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等等。
• Python版演示教学示例：https://github.com/mstampfer/Coursera-Stanford-ML-Python
• 中文笔记及作业代码：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
• 所有知识点的思维导图：https://pic1.zhimg.com/v2-2b979310ac6c053b9a96a1e594824934_r.jpg

莫烦

HomePage：https://morvanzhou.github.io/

网易云课堂：https://study.163.com/provider/1111519/index.htm

GitHub：https://github.com/MorvanZhou/

推荐学习顺序：https://morvanzhou.github.io/learning-steps/

• Tutorials：https://github.com/MorvanZhou/tutorials
• 有趣的机器学习：https://morvanzhou.github.io/tutorials/machine-learning/ML-intro/
• 机器学习系列讲解：https://morvanzhou.github.io/tutorials/machine-learning/

100-Days-Of-ML-Code

• EN：https://github.com/Avik-Jain/100-Days-Of-ML-Code
• CN：https://github.com/MLEveryday/100-Days-Of-ML-Code

台大李宏毅的课程

• 机器学习2017 - 观看地址：http://t.cn/RpO3VJC
• 机器学习2017 - 网易云课堂：https://study.163.com/course/introduction/1208946807.htm
• 深度学习2017 - 观看地址：http://t.cn/RpO3VJK
• 深度学习2017 - PPT
• 资料：http://speech.ee.ntu.edu.tw/~tlkagk/courses.html

一些书目

《Machine Learning Yearning》

来自Andrew Ng的免费AI技术指南

• 原书官网：http://www.mlyearning.org/
• 中文翻译：https://github.com/AcceptedDoge/machine-learning-yearning-cn/
• 项目地址：https://github.com/xiaqunfeng/machine-learning-yearning
• 书籍地址：https://xiaqunfeng.gitbooks.io/machine-learning-yearning/content/

《DeepLearning》

是一本皆在帮助学生和从业人员进入机器学习领域的教科书，以开源的形式免费在网络上提供，因图书封面为杜鹃花景色，俗称“花书”；

• 英文在线版：http://www.deeplearningbook.org/
• Deep Learning 中文版：https://github.com/exacity/deeplearningbook-chinese
• Deep Learning 中文版下载地址：https://github.com/exacity/deeplearningbook-chinese/releases
• 在线阅读（注意由于版权问题，在线版本不提供图片）：https://exacity.github.io/deeplearningbook-chinese/
• 精炼笔记目录：https://zhuanlan.zhihu.com/p/38431213

关于花书的经验法则：

• 中文版：https://mp.weixin.qq.com/s/4Ah_ylgJ2jZpAFyaqtEX6Q
• 英文版：https://jeffmacaluso.github.io/post/DeepLearningRulesOfThumb/

阅读建议：
- 为了补充基础可以阅读第1-5章，其中也包含了一些数学知识；
- 只关注主流神经网络知识可以阅读6-10章，介绍了DNN/CNN/RNN；
- 需要进一步了解一些调参和应用技巧，推荐阅读11和12章；
- 第13-20章为进阶章节，在入门阶段没有必要阅读；
- 按章节阅读耗时耗力的，建议的做法是吴恩达的课程讲到什么概念，到这本书里面可以相应阅读来理解，

《机器学习》

• 豆瓣读书：https://book.douban.com/subject/26708119/
• 因图书封面为西瓜图案，俗称“西瓜书”。
• 大而全的书籍，因为篇幅的限制，涵盖了很多的内容但无法详细讲解，对于零基础的初学者实际阅读难度很大。
• 阅读建议：将其作为参考书而不是主力阅读书，在入门阶段只阅读前十章即可。

pumpkin-book

南瓜书来源于西瓜书，由 开源组织Datawhale 发起，将西瓜书中1-7章节的公式进行了整理，对西瓜书中难点公式进行了详解，有跳跃性的公式进行了补充

南瓜书是西瓜书的公式推导版，里面的内容都是以西瓜书的内容为前置知识进行表述，所以南瓜书的最佳使用方法 是以西瓜书为主线，遇到自己推导不出来或者看不懂的公式时再来查阅南瓜书。

• GitHub项目链接：https://github.com/datawhalechina/pumpkin-book
• 在线阅读地址：https://datawhalechina.github.io/pumpkin-book/

一些建议

1- 直接从主干和核心内容开始

机器学习涉及概率论、线性代数、计算机、神经科学等多方面，很多内容对初学者而言，晦涩难懂，过程极其枯燥。
如果从最底层的理论知识开始学起，试图补全知识结构，将耗费大量时间，造成“懈怠学习”，容易半途而废。
不要试图将八成的时间来啃这两成的内容，它们不是实际应用中需要重点了解的部分。
你的业务需求和应用目标对应着学习的路径、要达到的实际应用水平。
如果不是想成为“优化大师”，那么只需要将这些基础理论知识当做工具，而不是目的。
建议：不要试图掌握所有相关理论知识再开始学习，而是应该在学习和使用的过程中，哪里不会补哪里，这样更有目的性且耗时更低。

2- 搭建一个简单的运行环境和模型

作为初学者，最好先从顶层框架上有个大概性的系统认识，然后再从实践到理论，在实际学习和应用的过程中，有的放矢的查缺补漏知识点。
从宏观到微观，从整体到细节，更有利于机器学习快速入门。
建议：从独立搭建一个简单的回归模型开始，从实际案例中获取直观体验，更能激发学习积极性。

3- 不要收集过多的资料

过多的资料，很多时候会让绝大多数人产生“自我安慰和欺骗”的错觉：“感觉良好”，“以后一定会好好学习，取得进步”。
繁杂的内容，则会让人容易陷入到一种迷茫和焦虑的状态。
建议：避免单纯的“信息收集”，贪多嚼不烂，不仅浪费精力而且分散注意力，最终真正有效的信息往往是“少而精”的。

4- 分辨信息的局限性

机器学习的发展和变化速度很快，相关信息爆发性增长的同时，这些信息往往时效性也很强。
很少有信息永远是对的，信息的价值都是放在“某个标准和环境”之下才得以体现，只适用于特定环境和某个时期。
因此在使用这些信息时，最重要的就是独立思考、去伪存真的能力，不要急着全盘接受，也不要因为“没有眼缘”而全盘否定。
建议：避免过时的“大部头”资料，而是应该选择“小而新”的，例如：购买最近三年以内出版且口碑良好的书籍、查看官网最新信息等。

5- 有效的投入与坚持

如果说以上几条是技巧性的学习方法，那么这一条则是对初学者唯一的硬性要求。
有目的，讲方法，别蛮干，可以尝试着与自身的工作经历结合起来。
对特定领域的深刻理解往往就是捅破窗户的那最后一层纸，只理解模型但不了解数据和数据背后的意义，导致很多机器学习模型只停留在好看而不实用的阶段。
通过跨领域完全可以做到曲线救国，化劣势为优势，可能比只懂机器学习的人有更大的行业价值。
机器学习没有那么高不可攀，没有必要放弃自己的本专业全职转行，沉没成本太高。

关于数学

• 线性代数：矩阵以及计算、线性变换、SVD(Singular Value Decomposition，奇异值分解)
• 概率论与数理统计：概率基础、随机向量与分布、总体/样本参数估计、随机过程与采样
• 其它数学知识点：梯度、一阶二阶导数、微积分、数值计算与优化

一些资源

笔记

• 机器学习笔记：https://feisky.xyz/machine-learning/
• Python机器学习在线指南(教程和代码)：https://mp.weixin.qq.com/s/7RSz1AFHjxFxe-j0Ili6Ng

汇总

• 机器学习资源大全中文版 - Python：https://github.com/jobbole/awesome-machine-learning-cn#python
• 完备的AI学习路线，最详细的中英文资源整理：https://mp.weixin.qq.com/s/dI0im1AZmwrFQCO2uWiXXg

算法

• 开源的《AI 算法工程师手册》在线阅读地址：http://www.huaxiaozhuan.com/
• ML算法工程师知识点及概念指南：https://github.com/imhuay/Algorithm_Interview_Notes-Chinese

GitHub札记

- MLEveryday/100-Days-Of-ML-Code
- scutan90/DeepLearning-500-questions
- fengdu78/deeplearning_ai_books
- fengdu78/Coursera-ML-AndrewNg-Notes
- https://github.com/apachecn/
- apachecn/AiLearning
- apachecn/python_data_analysis_and_mining_action
- MorvanZhou/Tensorflow-Tutorial

• MorvanZhou/tutorials