本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

機器學習是近幾年來最熱門的技術之一，也許你對機器學習很感興趣，但卻不知從何處下手。別擔心，興趣是最好的老師這里有你開啟該領域職業生涯的完整學習路徑。

筆者也曾面臨同樣的困惑：怎樣才是好的開始?應該學習Python還是選擇R語言?數學總是很可怕，筆者總是擔心自己應該從何處開始學數學，還擔心如何為機器學習打下堅實的基礎。

不管怎樣，祝賀你，至少你已經下定決心了。本文將帶你做好開啟機器學習生涯之前的所有準備工作。

機器學習第一步(基礎編程)

第一步應該是學習編程，最好是Python。如果你一行代碼都沒編寫過，那么推薦你學習哈佛大學的CS50。這是編程初學者的最佳課程，它將從頭開始教你C語言的所有內容、Python的許多要點、JavaScript以及SQL和JSON的基礎知識。而且它在edx.org上是免費的。

如果想直接從Python開始，那么edx上免費的“MIT計算機科學入門Python課”很適合你。需要注意的是，至少你得掌握高中代數。

如果覺得自己的計算邏輯不好，而且不善于解決編程問題，微軟的課程很不錯，這門課程與edx上的“計算思維”有關，都是免費的。它能教你很多計算邏輯和批判性思維方面的內容。

如果已經掌握了足夠的編程基礎知識，但是還不了解面向對象程序設計方面的知識，建議學習面向對象程序設計編程。雖然它在機器學習(基本水平)中沒有被大量使用，但確實有很大的幫助。它會教授python中OOP和算法的基本知識。

下一步是熟悉數據結構和算法。一個好的程序員必須知道一些基本的算法，如鏈表、二叉樹等。微軟的課程將教授：

• 算法分析
• 分類和搜索算法
• 數據結構：鏈表、堆棧、隊列

如果想深入研究數據結構和算法，加州大學圣地亞哥分校的專題絕對是經典。它有6門課程，將帶領學習者在數據結構和算法方面從0級達到英雄級。可以點擊每門課程并免費旁聽它的材料，但如果想獲得證書，價格是50美元/月，這取決于完成的速度。你可以在Coursera.org找到這個專題。

機器學習第二步

對大多數初學者來說，數學是最“勸退”的部分。

事實上，數學并不像想象的那么難，如果認為自己有很好的高中數學基礎(向量、矩陣、微積分、概率和統計)，可以只參加一個復習課程;但如果認為自己的數學不夠好，那么學數學最好的地方就是“可汗學院”，這里內容豐富有用，而且都是免費的，可以找到所有有關線性代數、概率和統計以及多變量微積分課程。

另一個優質的課程是Coursera上倫敦帝國理工學院的機器學習數學專題，教授基本知識和復習概念，但不會深入探討，練習和測驗很有挑戰性。它有以下3門課程：

• 機器學習數學：線性代數
• 機器學習數學：多元微積分
• 機器學習數學：主成分分析

MIT也有一門很好的統計學課程，它的內容包括：

• 使用矩和最大似然法構造估算器，決定如何在兩者間進行選擇
• 使用置信區間和假設檢驗量化不確定性
• 使用擬合優度測試在不同模型之間進行選擇
• 使用線性、非線性和廣義線性模型進行預測
• 使用主成分分析(PCA)進行降維

如果想在編寫代碼的同時學習數學，去學習微軟的課程“機器學習基本數學：Python版本”。這是一門交互式課程，它使用Python著名的數據處理庫Numpy、pandas和matplotlib來形象化地進行數學教學，這些庫是本課程的前提條件。

Udacity上有3門免費的統計學課程：

• 統計簡介
• 統計學
• 推理統計簡介

也可以在學習實用機器學習的同時學習數學，當遇到不熟悉的內容時，只需搜索可汗學院，YouTube上也有數百個關于這個話題的優質視頻。

機器學習第三步

熟悉了線性代數、多變量微積分和統計學之后，接下來需要學習的是Python著名的可視化數據處理庫，包括Numpy、Pandas、Matplotlib和Scipy，它們有助于分析和操作任何類型的數據，并以圖表方式查看數據。

當然，還有很多其他可視化數據處理庫，但這些是最重要的，可以將線性代數和微積分的概念以圖表方式可視化。

這方面的代表之一是密歇根大學的Python統計學專題，教授了數據可視化和操作細節。當然，可在coursera.org上免費獲取。

另一門課程是密歇根大學為數據分析初學者開設的“Python的數據科學導論”，它包括從numpy的基礎知識到pandas的內容。同樣也coursera.org上免費提供。本課程的下一部分是改變方式，在Python中命名Applied Plotting、Charting和Data Representation，會交給你所有的圖形可視化及其技巧技術。

哈佛大學的《使用Python進行研究》會通過一些著名的案例研究來教授這些庫，其最后一課無比振奮人心，會講解很多新內容。

加州大學圣地亞哥分校的“使用Python進行數據科學項目”內容非常全面，該課程教授：

• Python
• Jupyternotebooks
• pandas
• NumPy
• Matplotlib
• git
• sci kit-learn
• NLTK

雖然該課程也會講解機器學習的基礎知識，但更重要的是，它教授數據科學庫。所有的這些課程都會在edx.org上免費提供。

第四步 實用機器學習

所以現在要進入最令人興奮的部分——機器學習。

第一個課程意義重大。如果其不夠引人入勝，學習者可能會半途而廢。所以這里的所有課程都是高質量的，在開始第一門機器學習課程之前，我們要對它做一些研究。

入門課程不會教授機器學習，而是讓學員了解一些基本概念。這門課程將概述什么是機器學習，它是如何工作的，它的工作流程是什么，以及如何在公司建立人工智能。課程還提供了關于人工智能的完整介紹和概述。該課程由著名的機器學習講師吳恩達教授，可在coursera.org上免費獲得。

接下來到了正式內容。無論是搜索谷歌還是瀏覽任何博客，都可以看到，首推課程是斯坦福大學吳恩達教授的“機器學習”。注冊了這門課程的學生超250萬，20萬多名學生對其進行了評分(4.9*)。它從非常基本的概念講授到高級的概念，對初學者來說是一門非常全面的課程。這門課的總學時超過56小時。以下為課程目錄：

• 線性回歸
• 多項式回歸
• 邏輯回歸
• 多類分類
• 神經網絡
• 支持向量機
• K-均值聚類
• 主成分分析
• 異常檢測
• 推薦系統

唯一的問題是，它是用octave/Matlab來教的。對筆者而言這不是大問題，因為它還會用各種其他語言來清晰闡明機器學習的所有基礎和深層概念，沒有任何問題，另外，Matlab也是一項額外的技能。這個課程在斯坦福大學官方網站和coursera.org都可以找到。

無需多言，這門課對每個人來說都是必修課。

學習完這門課，現在需要用Python來實操所有學到的東西，并通過學習來提高專業化程度。所以，Coursera上由吳恩達、Kian Katanfrosh和 Younes Bensouda教授的deeplearning.ai也是必修課。這個專題有五門課程：

• 神經網絡和深度學習
• 改進深層神經網絡：超參數調整、正則化和優化
• 構建機器學習項目
• 卷積神經網絡
• 序列模型

你從中可獲得的主要技能是：

• TensorFlow
• 卷積神經網絡
• 人工神經網絡
• 深度學習

有人可能不喜歡TensorFlow，或者只是想測試TensorFlow的著名競爭者Pythorch(Facebook)，那你可以選擇學習Udacity上的課程。它由臉書與亞馬遜網絡服務合作提供，并且還有部分內容來自價值1400美元的Udacity著名的深度學習“納米學位”課程。

當然，這只是一個開始，還有很多東西需要學習和發現，但如果開始學習了，希望學習者知道自己的立場和下一步計劃。

一些建議

現在開始收聽OC Devel的“機器學習指南”播客。這將提供一個完整的機器學習概述，包括機器學習的具體知識以及一個android和web應用程序開發人員轉向機器學習道路的旅程。

在Kaggle上多練習(一旦開始機器學習，就會明白這一點)。

獲取《使用Scikit Learn和TensorFlow進行機器學習：構建智能系統的概念、工具和技術》或是2019年10月發布的新版本。這本書的作者是 AurélienGéron。這本書內容廣泛，值得推薦。

最關鍵的是要保持信心，一氣呵成就好，祝你在如何使機器更智能的學習之路上一路愉快。