AI学习路线---新技术的学习路线
普通程序员转型AI免费教程整合，零基础也可自学！----http://www.sohu.com/a/144755696_355140
（一）AI学习路线
- 当你学习机器学习课程时，有没有被信息过载所淹没？
- 因为绝大多数的机器学习课程都过于关注个别算法了。
- 这些机器学习课程关注于算法是因为它容易教。相比之下，如果机器学习老师要带你走一遍机器学习的流程，那么他需要搭建计算环境，完成数据采集、清洗、拆分，特征处理，模型调参和模型预测，甚至他还需要一个面向学习者的交互界面。老师哪有这么多的工具，与其手把手带着学生走一遭，还不如学习机器学习算法。
- 这份教程将会带来完全不同的思路。它非常适合自学者，即便完全没有编程的基础，也能通过恰当的工具快速实现机器学习模型，解决工作、生活中遇到的具体问题。
- 自我学习的方式
- Doing Shit：我们的方法会更加友好，它的学习过程就像小朋友学习一样，你会了解一些基础的知识（但不一定要完全弄懂），然后通过好用的工具快速实现出来就好了。而当你被建模出来的结果吸引，那时候我们才谈算法背后的数学逻辑和计算逻辑。
- 学习的4个步骤
- 前提条件 （不需要完全弄懂）
好消息是，一旦你满足了前提条件，其余的将会非常容易。事实上，几乎所有的机器学习都是把统计学和计算机科学的概念应用于数据领域。任务：确保你了解基础的统计学、编程和数学。
2. 海绵模式：尽可能吸收足够多的机器学习理论知识。
- 机器学习从来不会在真空中完成。如果你不了解武器库中的工具，就无法最大化发挥它们的效能。在这么多结果指标中，哪些是优化的参考指标？哪个更为重要？或者还有其他的算法会表现更好吗？好消息是，你不需要一开始就知道所有问题的答案。所以我们推荐你从学习足够的理论开始，然后快速进入到实践。这样的话，你比较能够坚持下来，并在一段时间后真正精通机器学习。
- 成功的关键
- 注重大局，总是问为什么：每当你被介绍一个新概念时，问一句“为什么”。为什么在某些情况下要使用决策树而不是回归？为什么要规范参数？为什么要拆分数据集？当你了解为什么使用每个工具时，你将成为真正的机器学习从业者。
- 接受你不会记得所有学过的东西：不要疯狂的做笔记，也不要每个课程都复习 3 次。在自己的实际工作中，你会经常需要回过头查看。
- 继续前进，不要气馁：尽量避免在一个话题上拖太久的时间。即便是对于机器学习教授来说，有些概念也很不好解释。但是当你在实践中开始应用时，你会很快就懂得概念的真实含义。
- 视频比教科书更有效：从我们的经验来看，教科书是很好的参考工具，但它很难坚持。我们强烈推荐视频讲座的形式。
3. 有目的实践
-
- 通过刻意练习的方式磨练技能，把机器学习能力提高到一个新水平。目标包括三个方面：
- 实践完整的机器学习流程：包括数据收集、清洗、预处理，建立模型，调整参数和模型评估。
- 在真实的数据集中练习，逐渐建立哪种模型适合哪种挑战的直觉。
- 深入到一个具体主题中，例如在数据集中应用不同类型的聚类算法，看哪些效果最好
4. 机器学习项目
好了，现在到了真正有趣的部分了。到目前为止，我们已经涵盖了前提条件、基本理论和有目的实践。现在我们准备好进入更大的项目。
这一步骤的目标是将机器学习技术整合到完整的、端到端的分析中。
（二）模式总结
（1）首先选择一个完整的技术体系训练，而不是局限在其中某一阶段。完整是指：能真正的解决社会活动中遇到的具体问题，达到被购买的价值。
（2）学习途径：了解基本知识--熟练基本工具--完成项目，以简单项目为终点。螺旋式上升，不要追求完美，足够即可。
