从现在起入门机器学习
作者:Jack47
转载请保留作者和原文出处
种下一棵树，最好的时机有两个：十年前和现在。本系列是我作为机器学习的门外汉，学习斯坦福大学吴恩达教授的机器学习课程时的一些总结，目前我学到了第五周，我会在学习过程中分享一些东西出来，希望能够帮助到对机器学习感兴趣，想自学的小伙伴。
如果你对机器学习感兴趣，但也仅此而已，还没有入门，并没有系统的学习过。那么本课程适合你，它就是入门级课程，所有需要用到的东西，比如一点点线性代数的知识，编程工具Octave/Matlab的使用，都在视频里有对应的课程及练习帮助你掌握。这是公认的进入机器学习领域最好的课程，已经有180万人学习了本课程，而且本课程也是17年最流行的网上课程。
很多人在自学机器学习时可能会有疑问，这课程适合自己吗？能收获什么？需要什么条件吗？比如Python或者线性代数？抛弃这些疑问吧，如果想学习就学吧，先学起来，你就有感觉了，直觉会引导你走下去。
引用一下大神卡马克在<< Doom启示录 >>里的一段话：
在信息时代，客观障碍已不复存在，所谓障碍都是主观上的。如果你想动手开发什么全新的技术，你不需要几百万美元的资金，你只需要在冰箱里放满比萨和可乐，再有一台便宜的计算机，和为之献身的决心。我们在地板上睡过，我们从河水中趟过。
当你在学习本课程时，除了视频课程之外，还有下面的这些配套的资源可以用来提高学习的效率
-
视频是几年前(11年？据说是coursera开办时的第一个课程）拍摄的，里面可能有一些错误的地方，注意看勘误：
比如 Errata Week3 -
编程作业的额外测试用例 因为编程练习题里只有一两个测试用例，所以可能会出现你提交后发现这道题目没有过的情况，此时可以借助这些额外的测试用例来帮助你找到问题所在。
-
每周课程和编程练习的FAQ：
比如第三周的
可以在看视频课程之前大致浏览一下这里的内容，等学完视频课程后，再浏览一下这里的内容。 -
每周重点总结
这个是吴恩达教授发起的讨论，主要目的是让大家用自己的语言复述一下本周的5大重点，只有自己能复述出来的东西，才是自己真正学习到的东西，这也算是一种高度浓缩的总结了。视频课程的问题是本身承载的内容有限，很容易跟着视频走，失去自己思考的时间。 -
学习小组，有slack, what's app 和 微信群
我也组建了一个微信群，适合最近(2018.4月)开始学习的同学 -
每周相关的讨论组,比如第三周。
可以从里面看到一些有意思的idea，比如把linear regression和 logistic regression的cost function绘制出来，一图胜千言；或者有些人会把第四周logistic regression里题目给定的特征向量展示出来，也非常有意思。
References:
Recommended Courses and Study Groups for Data Scientist or Machine Learning Engineer
Kaggle: competitions, datasets, kernels
卷积神经网络(CNN)之父Yann Lecun的youtube视频
人工神经网络(ANN)教父Jeffrey Hinton的youtube视频
10 Most Popular Courses in 2017
好了，以上就是所有内容了
如果您看了本篇博客,有所收获，请点击右下角的“推荐”，让更多人看到！
