• 先说说大概需要哪些基础的知识储备

• 如何学好机器学习？正规路线大概是这样的：

• 数学分析（微积分），线性代数，概率论，统计，应用统计，
• 数值分析，常微分方程，偏微分方程，数值偏微分方程，
• 运筹学，离散数学，随机过程，随机偏微分方程，抽象代数，
• 实变函数，泛函分析，复变函数，数学建模，拓扑，微分几何，渐近分析……

• 经典书籍：Duda的《模式分类》、Mitchell的《机器学习》、李航的《统计学习方法》、周志华的《机器学习》……
• 吴恩达：《机器学习》公开课、《深度学习》公开课。
• 林轩田：《机器学习基石》、《机器学习技法》。
• ……

• 精通Python、Java、R、MATLAB、C++等编程语言。

• 学好英语，熟读经典论文，并且读最新的机器学习论文，如顶级会议论文等，掌握最新的技术方向。

• 如大厂实习、参加Kaggle、天池等数据竞赛……

• 按照以上路线学完以后，虽然不一定能成为业界大牛，博士毕业完全没有问题了。

• 我们物理系的大部分学习者的学习目的不是为了科研，而是希望把机器学习作为工具来使用。
• 大部分学习者时间有限，学不完这么多资料，不知道如何取舍。
• 有些资料太难，作者假设学习者有一定的基础，对一些步骤进行了省略，好多初学者看了的感觉是这样的：

• 其实大部分人学习机器学习的目的，只要会用机器学习算法及工具，解决一些问题，了解算法的基本原理即可，并不需要学得那么深入。
• 上面的学习路线，第一条就劝退了好多人了。没有几个人能像博士一样扎实地学好数学基础，也没有几个人能读完经典著作和热门教程，只是希望快速入门机器学习。
• 在这种情况下，我只能推荐下 快速的机器学习入门路线 邪派武功不香么?

• 熟悉基本的数学知识，最主要是高等数学、线性代数、概率论与数理统计三门课程
• 以上内容 微积分和线性代数基本在<高等数学>书里都有, 再看一本<概率论与数理统计>
• 英语好的的同学可以直接看 斯坦福的机器学习数学基础课件（原版英文材料，非常全面，建议英语好的同学直接学习这个材料）
• 本人非常建议打好数学基础，数学基础决定了机器学习水平能够达到的高度 我现在深以为然 。
• 但是，如果学习时间太少，又想入门机器学习，以上数学随便翻翻懂个大概也行吧..
• 参见文章机器学习需要哪些数学基础？, 相关网上公开课资源 见 关于数据科学&机器学习，19个数学和统计学公开课推荐

• 机器学习入门的最佳教程肯定是吴恩达老师的《机器学习》公开课
• 隆重推荐 网易云课堂的吴恩达课程
• 这里再给一份 吴恩达课程笔记和作业.pdf
• 上面内容应该花 一周时间可以浏览完. 回头反复看,还会有更多收获.
• 这个系列后面还有更多课程,建议由浅入深逐步完成.
• 后面是专门讲神经网络CNN模型的李飞飞cs231n视频课程: 链接: cs231n 李飞飞的CNN图形识别课程 百度网盘 密码: 2fnk
• 书籍推荐: 目前我在看的是 机器学习实战 机器学习 周志华

• 由于只是入门，仅需要学好python这门编程语言。花时间在这门语言上,买不了吃亏买不了上当,是未来做研究的大杀器.
• 目前来说机器学习主要的代码工具为python，那python学习到底要学到什么程度？个人感觉：入门最重要，至少要学到碰到问题能查百度的程度。
• 我这里也提供了很多课程,今年新写的一系列python讲义:
• 在 从零开始学习python2020 这里学习 python 的基础知识, 数据处理和作图方法
• 在 从零开始学习 -机器学习 之-=基础篇=- 从Sklearn学起 这里学习 机器学习 之-=基础篇=-
• 在 从零开始学习 - 机器学习 之-=卷积神经网络(CNN)=- 这里学习 机器学习 之-=卷积神经网络(CNN)=-

• 深度学习的主流框架应该是Tensorflow和pytorch, 前台是Keras。教程很多，我也想再写一个相关的入门课件,但是涉及到的基础知识太多(同时改版迭代速度太快). 一直没有成功.
• 《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。
• 作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力
• 这本值得推荐,链接在这里: https://github.com/fchollet/deep-learning-with-python-notebooks

• 选择性地读一些经典论文，英语真的不好，就输入论文题目搜下百度，很多博客会对经典论文有详细的解释。
• 看论文的关键：复现作者的算法。
• 根据论文，复现成功算法后，通常就能对论文有深刻的理解了。经典论文都是可以复现的，github都有，最新的优秀论文，通常也能搜到代码。

• 论文基本都可以在https://arxiv.org 上找到,
• 读过的论文分类整理下，推荐下论文管理神器zotero，功能强大，可以在论文上记笔记，并支持不同电脑之间的同步。

• 如果有大厂的实习机会，尽量去，能学到不少东西。
• 没有实习机会，可以尝试参加下kaggle比赛，不一定要取得多少名次，可以搜搜历次比赛，下载数据，下载别人的公开代码，复现下。
• 国内也有类似的比赛，如天池，DF等。
• 通常，在2-3个比赛能达到top1%的成绩，代码能力基本没有问题了。
• 但是，不建议在比赛中花太多时间，比赛大部分时间是用于特征工程，在实际工作中并不一定能用上，只要能解决问题就行了，其他时间用于学习吧。

每日迭代,与君共勉! 以上~ — 俞熹 2020/09/29 11:18