先複習好高數，線代，機率論這幾門數學課程，然後推薦去網易公開課上刷吳恩達的機器學習，也可以去下載一些線上教育平臺的教學影片，比如慕課網，七月線上這種。有了理論基礎後在網上找一些資料分析，推薦系統的專案用python之類的語言實現操作一波，算是基本入門了。機器學習入門就不簡單了，進階的水就更深了。。。

1.矩陣計算 機率論計算

2.程式設計基礎 Python或者r

3.演算法基礎 會一些演算法及原理

4.會使用相關一些包得出結果

最後慢慢摸索就會有方向

【速看！十大免費機器學習課程已經給你備好了】

本系列課程的提供者有：Delta Analytics、作家兼培訓師Aurélien Geron、威斯康星大學麥迪遜分校、AI研究員Goku Mohandas、滑鐵盧大學、新加坡國立大學和英屬哥倫比亞大學等。

1. 機器學習的基礎

傳送門：http://www.deltanalytics.org/curriculum.html （Delta Analytics）

本課講解的是一些基本的建模理論，是成為一名合格的程式設計師所必備的知識。每個版塊的課程都側重於實用示例，旨在向讀者介紹實踐技巧以及用於模型資料的強大演算法（其實非常簡單）。

2. 使用TensorFlow 2和Keras進行深度學習

傳送門：https://github.com/ageron/tf2_course （Aurélien Geron）

在這個課程裡，包含用TensorFlow 2和Keras進行深度學習的訓練。而習題與詳解由Jupyter Notebooks呈現。

警告：TensorFlow 2.0預覽版會有bug，可能與最終的2.0版本不完全相同。但願這段程式碼在TF 2出來後可以正常執行。

3. 深度學習

傳送門：http：//http://pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/（威斯康星大學麥迪遜分校）

本課程的重點是理解人工神經網路和深度學習演算法（在基本層面討論這些方法背後的數學原理），並用程式碼實現網路模型，以及將這些模型應用於實際資料集。所涉及的主題包括——用於影象分類和目標檢測的卷積神經網路、用於建模文字的迴圈神經網路、以及用於生成新資料的生成對抗網路。

4. 實用AI

傳送門：https://github.com/GokuMohandas/practicalAI （Goku Mohandas）

該課會講解學習和使用機器學習的實用技巧，幫助程式設計師能夠利用機器學習從資料中獲取有價值的資訊。

· 使用PyTorch實現基本的ML演算法和深度神經網路。

· 在瀏覽器上執行所有東西，不需要進行任何Google Colab設定。

· 學習面向物件的能為產品編碼的ML實用教程，而不僅僅是學習書面教程。

5. 深度無監督學習

傳送門：https://sites.google.com/view/berkeley-cs294-158-sp19/home （加州大學伯克利分校）

本課程涉及了兩個不需要標記資料的深度學習領域：深度生成模型和自我監督學習。生成模型領域的最新進展有助於對高維原始資料(如自然影象、音訊波形和文字語料庫)進行逼真的建模。自我監督學習的發展縮小了監督表徵學習與無監督表徵學習在微調不可見任務方面的差距。本課程將介紹這些主題的理論基礎以及最新啟用的應用程式。

6. 深度學習簡介

傳送門：http://courses.d2l.ai/berkeley-stat-157/index.html （加州大學伯克利分校）

本課程介紹了深度學習的實際應用，包括理論動機以及實際操作方法。另外，還介紹了多層感知器、反向傳播、自動微分和隨機梯度下降。此外，本課程用卷積網路來處理影象，從簡單的LeNet到最新的ResNet高精度模型體系結構。其次，文中還討論了序列模型和迴圈網路，如LSTMs，GRU和注意機制。本課程強調高效實踐、最佳化和可擴充套件性，例如擴充套件到多個GPU和多臺機器。本課程的目標是使學員獲得現代非引數估計所需的理解力和實踐能力。

7. 強化學習

傳送門：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html（滑鐵盧大學）

本課程向學員們講解如何設計算法，使機器能進行強化學習。監督學習狀態下，機器從含有正確決策的示例中學習；非監督學習狀態下，機器從資料中發現模式來學習。而在強化學習狀態下，機器從部分、隱式和延遲反饋中學習，順序決策任務需要機器反覆與環境或使用者互動，強化學習對執行這一任務起到很大幫助。強化學習的應用包括機器人控制、自動駕駛汽車、遊戲、會話代理、輔助技術、計算金融、運籌學等。

8. 深度學習在自然語言處理中的應用

傳送門：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ （新加坡國立大學）

本課程參考於CS 224N《自然語言處理中的深度學習》——斯坦福大學的Richard Socher教授的課程。經Socher教授許可，本課照搬了他的課程模式和文獻選擇。

9. 自然語言處理的應用

傳送門：http://people.ischool.berkeley.edu/~dbamman/info256.html （加州大學伯克利分校）

本課程探討了將自然語言處理作為探索和推理資料化文字的方法，尤其側重於NLP的應用方面——創新使用Python中現有的NLP方法和庫，而不是探索其核心演算法。

這是一門應用性課程，每個課程都包括簡短講解環節和用Jupyter Notebooks當堂實驗環節（大約各佔50％）。學員將在課堂上進行大量程式設計，並與其他學員和教師進行小組合作。學員必須為每節課做好準備，並在課前提交準備材料，考勤有硬性要求。

10. 機器學習講座

傳送門：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ （英屬哥倫比亞大學）

這門課程資料是UBC大學一位教授整理的關於機器學習的資料合集，包括80多個講座的材料，涉及了大量與機器學習相關的話題。各個主題中的符號相當一致，這使得其關聯清晰可見，並且各主題按難度排序（難度遞增，並且所有概念都有明確定義）。

我們一起分享AI學習與發展的乾貨

寫個簡單的入門貼：

機器學習，機器運用一套通用的演算法——泛型演算法，自動建立起資料邏輯。

For example：

用於分類的泛型演算法是能夠把一組資料分門別類的，比如識別手寫輸入和區分垃圾郵件都可以用分類的泛型演算法來實現，

此時，可以把機器學習演算法看成一個黑盒子，兩個任務輸入的資料不一樣，中間經過機器學習演算法的作用，輸出不同的結果。

機器學習可以分為有監督學習、無監督學習、半監督學習、強化學習等。這裡的監督其實是指用來訓練機器學習模型的資料是有標註的，而無監督學習就是沒有標註資料，半監督學習是二者的結合，強化學習是對外界環境給的激勵或懲罰訊號學習自身的策略。下面咱們先從有監督學習開始：

假設，你現在是房地產經紀人，需要對房子進行相對準確的估價。你有一些所在城市三個月內房產交易的資訊資料，包括房間數目、房子大小、周邊地區環境，以及交易價格等。因為涉及了幾個因素，你可能需要一個程式來幫你做這件事情，輸入這些相關的資訊，程式就能預估出房子的價格。

那麼建立一個能預估房價的應用程式，你需要把關於每間房子的資料資訊——“訓練資料”——輸入你的機器學習演算法中，演算法就會得出用於解決這些資料關係的一套數學公式。這就有點像一份數學考試的答案紙被塗掉了所有的算術符號，就像下面這張圖。

現在我們試試編寫那個房屋估價的程式吧！

假設你現在對“機器學習”一無所知，你大概會寫一些房屋估價相關的一些基本規律和規則吧？就像這樣：它是上面那些元素互相作用的一個結果，會有一些如果、否則的邏輯，最後都會形成一個數學公式，不管是簡單的還是複雜的。

其實，這裡面的邏輯就可以讓機器學習演算法來幫我們實現，那我們需要怎麼做呢？

第一步：

把各個指標設定為1.0

第二步：

運用所有你瞭解的房產價格資訊來測試你的程式，檢查你求得的函式輸出的結果與實際房價的偏差。

第三步：

運用所有可能的指標組合重複第二步。找到能讓你函式的“成本費用”最大程度地降至零的指標組合，那你的問題就解決了。

根據上面提到的步驟二中的資料資訊寫一個簡單的等式關係：

這個就是你的“成本費用函式”

現在，試著用機器學習的數學術語把這個等式關係重寫一次

θ代表你當前的指標數，J(θ)代表在當前的指標數下你的成本費用。這個等式關係就代表著我們現在的價值預估函式與實際的偏差程度。

我們的成本費用函式曲線圖影象呈現一個碗狀，縱座標表示成本費用。這個影象中藍色的最低點就是我們成本費用的最低值，意味著我們的函式偏差值最小。相反，最高點就是我們函式偏差值達到最大。所以，當我們找到能使這個影象達到最低點的指標值的時候，問題就解決了。

如果你還記得微積分學的一些知識的話，你應該會記得如果你求出了函式的導數，就相當於知道了這個函式在各個點的切線斜率。換句話來說，就是知道了哪個方向角度能使我們在影象上呈下降趨勢，我們可以藉助這些知識來接近影象最低點。這個稱之為“梯度下降法”。

怎樣進一步瞭解機器學習呢？建議從Andrew Ng在Coursera開設的免費機器學習課程開始學習，還可以下載安裝SciKit-Learn，基本上有大多數演算法的python實現，可以對各種不同的機器學習演算法進行實踐和研究。

　　許多人將機器學習視為通向人工智慧的途徑，但是對於統計學家或商人而言，機器學習也可以是一種強大的工具，可以實現前所未有的預測結果。

　　為什麼機器學習如此重要?

　　在開始學習之前，我們想花一些時間強調WHY機器學習非常重要。

　　總之，每個人都知道人工智慧或人工智慧。通常，當我們聽到AI時，我們會想象機器人到處走動，執行與人類相同的任務。但是，我們必須瞭解，雖然有些任務很容易，但有些任務卻很困難，並且距離擁有像人類一樣的機器人還有很長的路要走。

　　但是，機器學習是非常真實的並且已經存在。它可以被視為AI的一部分，因為當我們想到AI時，我們想象的大部分內容都是基於機器學習的。

　　在過去，我們相信未來的這些機器人將需要向我們學習一切。但是人腦是複雜的，並且並非可以輕鬆描述其協調的所有動作和活動。1959年，亞瑟·塞繆爾(Arthur Samuel)提出了一個絕妙的主意，即我們不需要教計算機，但我們應該讓他們自己學習。塞繆爾(Samuel)也創造了“機器學習”一詞，從那時起，當我們談論機器學習過程時，我們指的是計算機自主學習的能力。

　　機器學習有哪些應用?

　　在準備這篇文章的內容時，我寫下了沒有進一步說明的示例，假定所有人都熟悉它們。然後我想：人們知道這些是機器學習的例子嗎?

　　讓我們考慮一些。

　　自然語言處理，例如翻譯。如果您認為百度翻譯是一本非常好的字典，請再考慮一下。百度翻譯本質上是一組機器學習演算法。百度不需要更新百度 Translate;它會根據不同單詞的使用情況自動更新。

　　哦，哇 還有什麼?

　　雖然仍然是主題，但Siri，Alexa，Cortana都是語音識別和合成的例項。有些技術可以使這些助手識別或發音以前從未聽過的單詞。他們現在能做的事令人難以置信，但在不久的將來，它們將給人留下深刻的印象!

　　SPAM過濾。令人印象深刻，但值得注意的是，SPAM不再遵循一組規則。它自己瞭解了什麼是垃圾郵件，什麼不是垃圾郵件。

　　推薦系統。Netflix，淘寶，Facebook。推薦給您的所有內容都取決於您的搜尋活動，喜歡，以前的行為等等。一個人不可能像這些網站一樣提出適合您的推薦。最重要的是，他們跨平臺，跨裝置和跨應用程式執行此操作。儘管有些人認為它是侵入性的，但通常情況下，資料不是由人處理的。通常，它是如此複雜，以至於人類無法掌握它。但是，機器將賣方與買方配對，將電影與潛在觀眾配對，將照片與希望觀看的人配對。這極大地改善了我們的生活。

　　說到這，淘寶擁有如此出色的機器學習演算法，它們可以高度確定地預測您將購買什麼以及何時購買。那麼，他們如何處理這些資訊?他們將產品運送到最近的倉庫，因此您可以在當天訂購併收到產品。難以置信!

　　金融機器學習

　　我們名單上的下一個是金融交易。交易涉及隨機行為，不斷變化的資料以及從政治到司法的各種因素，這些因素與傳統金融相距甚遠。儘管金融家無法預測很多這種行為，但是機器學習演算法會照顧到這種情況，並且對市場的變化做出響應的速度比人們想象的要快。

　　這些都是業務實現，但還有更多。您可以預測員工是否會留在公司或離開公司，或者可以確定客戶是否值得您光顧-他們可能會從競爭對手那裡購買還是根本不購買。您可以最佳化流程，預測銷售，發現隱藏的機會。機器學習為機會開闢了一個全新的世界，對於在公司戰略部門工作的人們來說，這是一個夢想成真。

　　無論如何，這些已在這裡使用。然後，我們將進入自動駕駛汽車的新境界。

　　機器學習演算法

　　直到最近幾年，無人駕駛汽車還是科幻小說。好吧，不再了。自動駕駛汽車已經驅動了數百萬英里(即使不是數十億英里)。那是怎麼發生的?沒有一套規則。而是一組機器學習演算法，使汽車學習瞭如何極其安全有效地駕駛。

　　我們可以繼續學習幾個小時，但我相信您的主旨是：“為什麼要使用機器學習”。

　　因此，對您來說，這不是為什麼的問題，而是如何的問題。

　　這就是我們的Python機器學習課程所要解決的問題。蓬勃發展的資料科學事業中最重要的技能之一-如何建立機器學習演算法!

　　如何建立機器學習演算法?

　　假設我們已經提供了輸入資料，建立機器學習演算法最終意味著建立一個輸出正確資訊的模型。

　　現在，將此模型視為黑匣子。我們提供輸入，並提供輸出。例如，考慮到過去幾天的氣象資訊，我們可能想建立一個預測明天天氣的模型。我們將輸入模型的輸入可以是度量，例如溫度，溼度和降水。我們將獲得的輸出將是明天的天氣預報。

　　現在，在對模型的輸出感到滿意和自信之前，我們必須訓練模型。訓練是機器學習中的核心概念，因為這是模型學習如何理解輸入資料的過程。訓練完模型後，我們可以簡單地將其輸入資料並獲得輸出。

　　如何訓練機器學習演算法?

　　訓練演算法背後的基本邏輯涉及四個要素：

　　a.資料

　　b.模型

　　c.目標函式

　　d.最佳化演算法

　　讓我們探索每個。

　　首先，我們必須準備一定數量的資料進行訓練。

　　通常，這是歷史資料，很容易獲得。

　　其次，我們需要一個模型。

　　我們可以訓練的最簡單模型是線性模型。在天氣預報示例中，這將意味著找到一些係數，將每個變數與它們相乘，然後將所有結果求和以得到輸出。但是，正如我們稍後將看到的那樣，線性模型只是冰山一角。依靠線性模型，深度機器學習使我們可以建立複雜的非線性模型。它們通常比簡單的線性關係更好地擬合數據。

　　第三個要素是目標函式。

　　到目前為止，我們獲取了資料，並將其輸入到模型中，並獲得了輸出。當然，我們希望此輸出儘可能接近實際情況。大資料分析機器學習AI入門指南https://www.aaa-cg.com.cn/data/2273.html這就是目標函數出現的地方。它估計平均而言，模型輸出的正確性。整個機器學習框架歸結為最佳化此功能。例如，如果我們的函式正在測量模型的預測誤差，則我們希望將該誤差最小化，或者換句話說，將目標函式最小化。

　　我們最後的要素是最佳化演算法。它由機制組成，透過這些機制我們可以更改模型的引數以最佳化目標函式。例如，如果我們的天氣預報模型為：

　　明天的天氣等於：W1乘以溫度，W2乘以溼度，最佳化演算法可能會經過以下值：

　　W1和W2是將更改的引數。對於每組引數，我們將計算目標函式。然後，我們將選擇具有最高預測能力的模型。我們怎麼知道哪一個最好?好吧，那將是具有最佳目標函式的那個，不是嗎?好的。大!

　　您是否注意到我們說了四個成分，而不是說了四個步驟?這是有意的，因為機器學習過程是迭代的。我們將資料輸入模型，並透過目標函式比較準確性。然後，我們更改模型的引數並重復操作。當我們達到無法再最佳化或不需要最佳化的程度時，我們將停止，因為我們已經找到了解決問題的足夠好的解決方案。

https://www.toutiao.com/i6821026294461891086/

一個好的方法肯定會事半功倍的，那麼差的辦法也是會事半功倍的，現在在本質上來說其實是沒有什麼好壞之分的，只有適合和不適合的兩種區別。在學習的時候相信很多的人總是覺得自己一直在門外徘徊，就是不得其中之道，幸運的就是經過漫長的時間徘徊。

首先對於一個初學者來說在課程上學習到的東西絕對是乾貨內容，但是有基礎的就不一樣了，只有慢慢沉下心來慢慢的學習，其實學習機器學習就是先抓住豬肝，後抓枝節。學習一個演算法就好比便利在一棵大樹上，演算法越是複雜的職業也就非常的多，並且一般來說他是有兩種辦法的方式：深度優先遍歷和主幹優先遍歷。對於有一些人來說他們就屬於那種第一種的，從底部的根開始，每到一個質感就深度的遍歷下去，然後再回到主幹繼續遍歷第二個質感，一直到遍歷結束。

而現在對於有些人來說，他們適合從底部開始，沿著主幹爬到輸定先對大樹有一個整體的結構和概念，然後再從根部的主幹開始第一種方法一樣的遍歷正科大叔，那麼相比於第一種方法，第二種的方法在便利的過程中更不容易迷路，因為他們一開始就對大叔有了一個整體的瞭解。

對於所有的演算法階段的是一段必須要完成的，那麼對於有一些基礎的相對於容易的演算法就像我們所說的線性迴歸可以要求自己達到上述的三個階段：對於那些難度比較大的演算法，可以要求自己做到1.5個階段就可以，同時，對於一個演算法學習很少的人就可以做到一遍全懂的境界，因此也不要保證學一般就要結束的想法，要按照順序的階段性學習方式能夠對於容易的可以使自己獲得滿足感，以此來享受學習的樂趣。

機器學習