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