4
| 本文作者： 何忞 | 2016-11-23 09:28 |
編者按：本文首發于 medium，作者 Suff，他在文章中為許多想入門機器學習卻苦苦沒有開始的讀者們提供了一份學習計劃，詳細到周的規劃可以讓你更加游刃有余地把握進度。雷鋒網整理編譯，未經許可不得轉載。
哈嘍，大家好！如果你點進了這篇文章，那你應該是想要學習一些機器學習的知識的。如果你還沒有想好，或者覺得有些困惑，那么我得提前給你打個預防針：學習機器學習的過程其實是比較艱辛的。
如果你始終懷有堅持的信念，并且大膽嘗試的話，你就可以從這篇指導中比別人得到更多。因為這篇指導不僅能幫你形成一種全新的思考方式，還可以啟發你如何將所學的知識應用到你自己的實踐當中，使你的工作更加富有創造力，擁有更多可能性。
目前對機器學習的初學者來說，最大的問題在于面前有幾十年積累的研究成果，可切入點太多，反而不知道從哪里入手開始學習。就像愛迪生做了 1000 次嘗試，最終發明了電燈一樣，人工智能領域的研究進程，也經歷過幾十年的試錯過程（AI 研究的冬天），直到現在，該領域的研究才真正開始向前推進。所以你會從第一次，或者第 79 次，或者第 999 次嘗試那里開始學習嗎？其實并不用。我們可以直接從真正推進的那一刻開始學習（或者說目前看來是步入正軌的地方）！
所以這里我建議你學習的第一步是觀看 Andreessen Horowitz 上 Frank Chen 的 AI 啟蒙視頻，憋說話，先把它看完。因為 Frank Chen 在人工智能領域的大眾啟蒙方面有著突出成績。
觀看地址：https://vimeo.com/170189199
同時，這個視頻也可以當做是一個小小的自我檢測，考察自己是否真的對人工智能領域充滿激情。如果你只是想要簡單了解人工智能，在工作會議中顯得更加博學（裝X），那么我推薦你閱讀哈佛商業評論的推薦清單即可。但是如果你想要深入了解人工智能，學習其中的技巧，那么請繼續閱讀本文。
學習新事物的第一步是評估哪些是你已有的知識；哪些是你可以較為輕松地進行遷移的知識。簡單起見，我將學習者可能處于的階段分成三種。階段的劃分取決于你對機器學習必備的兩大基礎知識——數學和編程的掌握程度。讀到這里，請先不要放棄。一個相對較好的數學基礎和對簡單編程的基本了解確實可以讓你學習得更加輕松。
我不得不承認，對于小白初學者的學習指導寫起來有些困難。但是這 20 周的學習對小白初學者來說是至關重要的。只有擁有一個強大的基礎，你才能持續不斷地學習多的技巧，在機器學習領域中走得更遠。我明白你們對數學和編程有些抗拒（其中的原因可能有很多，比如說老師太差）。但是你必須開始攻克這些難關。相信自己在努力過后，必定能變得更加強大。
這里，我首先建議你們在可汗學院上注冊賬戶（這個是完全免費的，內容也很有趣）。我自己就在那里獲得了計算機科學的學士學位，這個學位要求我進行了很多復雜的數學計算。我敢說，可汗學院真的幫助我在數學上建立了信心，它的作用比我學習生涯中所有老師的影響都大。
我們從算法開始學習，這部分應該進展的很快。對算法概念的深刻理解和一些技巧的掌握可以幫助你快速學習機器學習技能，甚至可以讓你順便掌握深度學習算法。人工智能領域目前的成就很大程度上源于更好的訓練算法。所以從算法開始學習是至關重要的。
https://www.khanacademy.org/computing/computer-science/algorithms
我個人非常喜歡這個教程。如果想要學習用 Python 語言編程，那么 Mimo 軟件是非常適合的。很久不編程的我都會因為 Mino 軟件而重新點燃了編程的興趣。 你可以在地鐵或者出租車上使用這個軟件，輕松學習如何編寫出酷炫的應用。軟件官方建議用 4.5 小時來學習這些核心概念。
這絕對是一個不能忽略的部分。對線性代數的理解是學習機器學習的必備條件。你可以根據自己的情況決定自己的學習進度。當然，我強烈建議你完整地學習該課程，獲得課程全部徽章。
https://www.khanacademy.org/math/algebra-home
接著，你需要堅實的統計學和概率論的基礎。畢竟，在機器中構建通用的人工智能實際上就是用來預測可能性的。
https://www.khanacademy.org/math/statistics-probability
①如果你已經成功地完成了該階段對于算法、Python 語言、代數、統計學、概率論的學習。那么，請好好獎勵自己。因為這個階段并不簡單，但是卻是非常值得的。現在，你已經是一個“積極的初學者”了。在 20 周的時間內從完全小白初學者到積極的初學者的成就，是非常值得肯定的。你的熱情和決心在后續的學習之中需要繼續發揚。
②如果你還想要更加穩固自己的基礎知識，以便在人工智能領域走的更遠，這里還有一些進階教程，供你參考。
https://learncodethehardway.org/python/
https://www.khanacademy.org/math/calculus-home
微分方程——3周
https://www.khanacademy.org/math/differential-equations
對相對初學者而言，最好的學習起點就是和前輩一起進行訓練，也就是學習 Andrew Ng 的課程。大家對該課程的推薦度很高。學習 Coursera 上 Andrew 的課程大約需要 11 周。如果你需要的話，還可以在課程結束后花費79美金獲得一個 Coursera 頒發的人工智能學習證書。
https://www.coursera.org/learn/machine-learning
該課程的先修知識：
·基本的計算機科學原理和技巧，達到可寫出復雜計算機程序的水平
·熟悉基本的概率論原理
·熟悉基本的線性代數知識
①如果在學習課程中間感到困難，你應該停下來反思一下是不是先修知識沒有掌握，因為 Andrew 在教學中已經假設你學習過了先修知識。我本人在學習中也有過重新學習忘記的數學知識的經歷。因為只有覺得學習起來感到輕松，你才能繼續學下去。
②如果你也完成了這個階段的學習，你就可以進入下一個階段——“積極初學者”。
注意：下一個階段可能花費的時間不多，因為你已經有了很好的基礎。
恭喜你！你已經做好了成為人工智能領域“絕地武士”的準備。Udacity（優達學城）上的課程是由 Sebastian Thrun（優達學城的前CEO 和聯合創始人，前谷歌職員，斯坦福計算機科學教授）和 Peter Norwig（谷歌研究部主管）教學的。你可以在谷歌中找到這個課程（完全免費）。這是一個最好的、最富交互性的視頻教學課程。他們將會使你對人工智能有一個整體的良好認識。他們甚至會教給你一些工作中會遇到的更深入的話題，比如博弈論、計算機視覺、機器人、自然語言處理。你可以學到的知識會比你想象的多。
人工智能簡介課程——免費
https://www.udacity.com/course/intro-to-artificial-intelligence--cs271
如果你已經完成了所有三個階段的學習，并學習了優達學城上的課程后，你可以好好慶祝一下，給自己放個假。因為這個過程真的非常艱辛。但是我相信這個過程也一定非常有趣。加油吧，各位！
這里還有一些閱讀書單供你參考：
https://www.udacity.com/course/intro-to-artificial-intelligence--cs271
歡迎與我分享你在學習過程中的心得，相信你在其中也體會到了學習和進步帶來的成就感。
via medium.com
【招聘】雷鋒網堅持在人工智能、無人駕駛、VR/AR、Fintech、未來醫療等領域第一時間提供海外科技動態與資訊。我們需要若干關注國際新聞、具有一定的科技新聞選題能力，翻譯及寫作能力優良的外翻編輯加入。工作地點深圳。簡歷投遞至 guoyixin@leiphone.com。兼職及實習均可。
推薦閱讀：
干貨 | 從菜鳥到老司機，數據科學的 17 個必用數據集推薦
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
