机器学习：入门建议及免费学习资源

对于大多数人来说，重新回到学校去研究机器学习已经不现实了。好在可以自学，这篇文章就是写给希望通过自学进入机器领域的你们的。

首先我有两个基本的建议：

1. 先打好基础，然后再专攻感兴趣的领域

你不可能深入机器学习领域的每一个话题。有太多要学的东西，并且这个领域发展的很快。因此我的建议是，你先掌握一些基础概念，然后专注在你兴趣的领域 -- 无论是自然语言理解、计算机视觉、深度强化学习、机器人，还是任何其它东西。

2. 围绕最感兴趣的话题设计你的学习科目

对于长期学习或者作为一项事业来说，动机远比学习策略重要。如果你感兴趣，就会进展较快。如果你是被迫学习，进展就会慢。

编程学习

语法和基础概念：

  • 谷歌的 Python 课程：https://developers.google.com/edu/python/

  • 笨办法学 Python：https://learnpythonthehardway.org/book/ex0.html

练习：

  • CoderByte：https://coderbyte.com/

  • CodeWars：https://coderbyte.com/

  • HackerRank：https://www.hackerrank.com/

线性代数

  • 《深度学习》书的第二章《线性代数》

网址：http://www.deeplearningbook.org/contents/linear_algebra.html

这本书是特别针对机器学习相关的线性代数概念的快速概览。

  • 《线性模型理论的第一堂课》

网址：https://www.amazon.com/First-Course-Linear-Model-Theory/dp/1584882476

Nalini Ravishanker 和 Dipak Dey 所著。在统计学语境下介绍线性代数的教科书。

概率统计

  • 《概率统计导论》

网址：https://ocw.mit.edu/courses/mathematics/18-05-introduction-to-probability-and-statistics-spring-2014/index.htm

Jeremy Orloff 和 Jonathan Bloom 讲授。帮你建立概率推理和统计推断方面的直觉，对于理解机器如何思考、规划、和决策来说，它是无价之宝。

  • 《统计大全：关于统计推断的短期课程》

网址：http://www.ic.unicamp.br/~wainer/cursos/1s2013/ml/livro.pdf

Larry Wasserman 所著。统计学的导论性教科书。

微积分

  • 《可汗学院：微分》或者任何微积分方面的课程或课本

网址：https://www.khanacademy.org/math/calculus-home/differential-calculus

  • 《斯坦福 CS231n：导数，反向传播和向量化》

网址：http://cs231n.stanford.edu/handouts/derivatives.pdf

由Justin Johnson 讲授。

机器学习

  • 《吴恩达的机器学习课程》

网址：https://www.coursera.org/learn/machine-learning

更严格来说，这是斯坦福的课程 CS229。

  • 数据科学集训班Galvanize

网址：https://www.galvanize.com/san-francisco/data-science

全日制，三个月，较贵

  • 数据科学集训班Thinkful

网址：https://www.galvanize.com/san-francisco/data-science

时间灵活，六个月，较便宜

  • 《统计学习导论》

网址：http://www-bcf.usc.edu/~gareth/ISL/

Gareth James 等人所著。机器学习核心概念的优秀参考书，免费。

深度学习

  • Deeplearning.ai：

网址：http://deeplearning.ai/

吴恩达的深度学习入门课程。

  • CS231n：用于视觉识别的卷积神经网络

网址：http://cs231n.stanford.edu/syllabus.html

斯坦福的深度学习课程。有助于打好基础，讲义做的很好，也包含用于演示的问题集。

  • Fast.ai

网址：http://fast.ai/

基于项目的课程，有趣。项目包括阿猫阿狗的图像分类和自动生成尼采哲学作品。

  • 使用 TensorFlow 分类 MNIST 手写数字

网址：https://codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist/#0

这个来自 Google 的教程，可以让你在三个小时里搞定手写数字识别，并且达到超过 99% 的准确率，。

  • Kaggle 竞赛

网址：https://www.kaggle.com/

使用 Github 上的其它版本作为参考资料，来动手实现你感兴趣的深度学习论文中的算法。

  • 《深度学习》

网址：http://www.deeplearningbook.org/

深度学习领域的圣经，大牛Ian Goodfellow，Yoshua Bengio 和 Aaron Courville 所著。

  • 《神经网络和深度学习》

网址：http://neuralnetworksanddeeplearning.com/chap1.html

思路清晰的深度学习教程，Michael Nielsen 所著。以一些实现了人类级别的智能应用收尾。

  • 深度学习论文阅读路线图，关键论文的全集，按照时间和研究领域组织。

强化学习

  • CS294：深度强化学习

网址：http://rll.berkeley.edu/deeprlcourse/

John Schulman 在伯克利的课程

  • 强化学习

网址：http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html

伦敦大学学院，David Silver 授课。

  • 深度强化学习训练营

网址：https://www.deepbootcamp.io/

由 OpenAI 和 伯克利（UCB） 组织。当前处于关闭状态，但是值得期待未来的课程。

  • Pong from Pixels

网址：http://karpathy.github.io/2016/05/31/rl/

来自Andrej Karpathy 的实战教程。从零开始，在 130 行代码之内，实现打乒乓球的智能体。

  • 基于Tensorflow的 简明强化学习教程

网址：https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-0-q-learning-with-tables-and-neural-networks-d195264329d0

来自Arthur Juliani ，使用 TensorFlow 实现 Q-learning, policy-learning 和 actor-critic 和探索策略。

  • OpenAI 的 requests for research

网址：https://openai.com/requests-for-research/

可以到这里查看更多的深度学习项目方面的IDEA。

  • 《强化学习导论》

网址：http://people.inf.elte.hu/lorincz/Files/RL_2006/SuttonBook.pdf

作者是Richard Sutton。

人工智能

  • 人工智能：一种现代方法

网址：http://aima.cs.berkeley.edu/

由 Stuart Russell 和 Peter Norvig 所著。

  • 人工智能导论

网址：https://www.udacity.com/course/intro-to-artificial-intelligence--cs271

Sebastian Thrun 的优达学城课程

  • Insight AI 伙伴计划（http://insightdata.ai/）

  • 谷歌大脑实习项目（https://research.google.com/teams/brain/residency/）。

人工智能安全

简明版请阅读：

  • 人工智能的风险（https://thinkingwires.com/posts/2017-07-05-risks.html）

  • OpenAI 和 谷歌大脑的合作：AI 安全中的具体问题（https://blog.openai.com/concrete-ai-safety-problems/）

  • AI 的进化（https://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html）。

详细版请查看Nick Bostrom 的超智能（https://www.amazon.com/Superintelligence-Dangers-Strategies-Nick-Bostrom/dp/0198739834）。

  • MIRI （https://intelligence.org/research/）发布的 AI 安全方面的研究

  • FHI（https://www.fhi.ox.ac.uk/research/research-areas/） 发布的 AI 安全方面的研究

  • Reddit 上的 ControlProblem频道（https://www.reddit.com/r/ControlProblem/）。

时事通讯

  • Import AI

网址：https://jack-clark.net/import-ai/

每周 AI 通讯，涵盖业界的最新发展。由 OpenAI 的 Jack Clark 筹划。

  • Machine Learnings

网址：https://machinelearnings.co/

由 Sam DeBrule 筹划。和这个领域中的专家互动频繁。

  • Nathan.ai

网址：http://nathan.ai/

涵盖近期新闻，和风投视角的 AI/ML 评论。

  • The Wild Week in AI

网址：https://www.getrevue.co/profile/wildml

由 Denny Britz 维护。标题说明了一切。

来自其他人的建议

  • 不上任何在线课程的情况下，学习机器学习的最佳方式是什么？

网址：https://www.forbes.com/sites/quora/2017/03/22/what-is-the-best-way-to-learn-machine-learning-without-taking-any-online-courses/#30fc6e5d5d87

由谷歌大脑的 Eric Jang 回答。

  • 作为工程师，什么是修炼深度学习技能的最佳方式？

网址：https://www.quora.com/What-are-the-best-ways-to-pick-up-Deep-Learning-skills-as-an-engineer

由 OpenAI 的 CTO Greg Brockman 回答。

  • A16z 的 AI 攻略书

网址：http://aiplaybook.a16z.com/

更加偏代码向的介绍。

  • AI 安全大纲

网址：https://80000hours.org/ai-safety-syllabus/

由 80,000 Hours 设计。

原文：The Best Machine Learning Resources

posted @ 2017-12-20 08:48  艺术攻城狮  阅读(367)  评论(0)  编辑  收藏  举报