機器學習：入門建議及免費學習資源

對於大多數人來說，重新回到學校去研究機器學習已經不現實了。好在可以自學，這篇文章就是寫給希望通過自學進入機器領域的你們的。

首先我有兩個基本的建議：

1. 先打好基礎，然後再專攻感興趣的領域

你不可能深入機器學習領域的每一個話題。有太多要學的東西，並且這個領域發展的很快。因此我的建議是，你先掌握一些基礎概念，然後專註在你興趣的領域 -- 無論是自然語言理解、計算機視覺、深度強化學習、機器人，還是任何其它東西。

2. 圍繞最感興趣的話題設計你的學習科目

對於長期學習或者作為一項事業來說，動機遠比學習策略重要。如果你感興趣，就會進展較快。如果你是被迫學習，進展就會慢。

編程學習

語法和基礎概念：

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

    Advertisements

  • 笨辦法學 Python：https://learnpythonthehardway.org/book/ex0.html

練習：

  • CoderByte：https://coderbyte.com/

  • CodeWars：https://coderbyte.com/

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

線性代數

  • 《深度學習》書的第二章《線性代數》

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

這本書是特別針對機器學習相關的線性代數概念的快速概覽。

  • 《線性模型理論的第一堂課》

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

Advertisements

Nalini Ravishanker 和 Dipak Dey 所著。在統計學語境下介紹線性代數的教科書。

概率統計

  • 《概率統計導論》

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

Jeremy Orloff 和 Jonathan Bloom 講授。幫你建立概率推理和統計推斷方面的直覺，對於理解機器如何思考、規劃、和決策來說，它是無價之寶。

  • 《統計大全：關於統計推斷的短期課程》

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

Larry Wasserman 所著。統計學的導論性教科書。

微積分

  • 《可汗學院：微分》或者任何微積分方面的課程或課本

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

  • 《斯坦福 CS231n：導數，反向傳播和向量化》

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

由Justin Johnson 講授。

機器學習

  • 《吳恩達的機器學習課程》

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

更嚴格來說，這是斯坦福的課程 CS229。

  • 數據科學集訓班Galvanize

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

全日制，三個月，較貴

  • 數據科學集訓班Thinkful

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

時間靈活，六個月，較便宜

  • 《統計學習導論》

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

Gareth James 等人所著。機器學習核心概念的優秀參考書，免費。

深度學習

  • Deeplearning.ai：

網址：http://deeplearning.ai/

吳恩達的深度學習入門課程。

  • CS231n：用於視覺識別的卷積神經網路

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

斯坦福的深度學習課程。有助於打好基礎，講義做的很好，也包含用於演示的問題集。

  • Fast.ai

網址：http://fast.ai/

基於項目的課程，有趣。項目包括阿貓阿狗的圖像分類和自動生成尼采哲學作品。

  • 使用 TensorFlow 分類 MNIST 手寫數字

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

這個來自 Google 的教程，可以讓你在三個小時里搞定手寫數字識別，並且達到超過 99% 的準確率，。

  • Kaggle 競賽

網址：https://www.kaggle.com/

使用 Github 上的其它版本作為參考資料，來動手實現你感興趣的深度學習論文中的演算法。

  • 《深度學習》

網址：http://www.deeplearningbook.org/

深度學習領域的聖經，大牛Ian Goodfellow，Yoshua Bengio 和 Aaron Courville 所著。

  • 《神經網路和深度學習》

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

思路清晰的深度學習教程，Michael Nielsen 所著。以一些實現了人類級別的智能應用收尾。

  • 深度學習論文閱讀路線圖，關鍵論文的全集，按照時間和研究領域組織。

強化學習

  • CS294：深度強化學習

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

John Schulman 在伯克利的課程

  • 強化學習

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

倫敦大學學院，David Silver 授課。

  • 深度強化學習訓練營

網址：https://www.deepbootcamp.io/

由 OpenAI 和 伯克利（UCB） 組織。當前處於關閉狀態，但是值得期待未來的課程。

  • Pong from Pixels

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

來自Andrej Karpathy 的實戰教程。從零開始，在 130 行代碼之內，實現打乒乓球的智能體。

  • 基於Tensorflow的 簡明強化學習教程

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

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

  • OpenAI 的 requests for research

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

可以到這裡查看更多的深度學習項目方面的IDEA。

  • 《強化學習導論》

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

作者是Richard Sutton。

人工智慧

  • 人工智慧：一種現代方法

網址：http://aima.cs.berkeley.edu/

由 Stuart Russell 和 Peter Norvig 所著。

  • 人工智慧導論

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

Sebastian Thrun 的優達學城課程

  • Insight AI 夥伴計劃（http://insightdata.ai/）

  • 谷歌大腦實習項目（https://research.google.com/teams/brain/residency/）。

人工智慧安全

簡明版請閱讀：

  • 人工智慧的風險（https://thinkingwires.com/posts/2017-07-05-risks.html）

  • OpenAI 和 谷歌大腦的合作：AI 安全中的具體問題（https://blog.openai.com/concrete-ai-safety-problems/）

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

詳細版請查看Nick Bostrom 的超智能（https://www.amazon.com/Superintelligence-Dangers-Strategies-Nick-Bostrom/dp/0198739834）。

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

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

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

時事通訊

  • Import AI

網址：https://jack-clark.net/import-ai/

每周 AI 通訊，涵蓋業界的最新發展。由 OpenAI 的 Jack Clark 籌劃。

  • Machine Learnings

網址：https://machinelearnings.co/

由 Sam DeBrule 籌劃。和這個領域中的專家互動頻繁。

  • Nathan.ai

網址：http://nathan.ai/

涵蓋近期新聞，和風投視角的 AI/ML 評論。

  • The Wild Week in AI

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

由 Denny Britz 維護。標題說明了一切。

來自其他人的建議

  • 不上任何在線課程的情況下，學習機器學習的最佳方式是什麼？

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

由谷歌大腦的 Eric Jang 回答。

  • 作為工程師，什麼是修鍊深度學習技能的最佳方式？

網址：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 攻略書

網址：http://aiplaybook.a16z.com/

更加偏代碼向的介紹。

  • AI 安全大綱

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

由 80,000 Hours 設計。

如果喜歡這篇文章，別忘了關注頭條號：新缸中之腦

原文：The Best Machine Learning Resources

Advertisements

你可能會喜歡

Advertisements