机器学习入门指南

机器学习的世界是多彩而广阔的，对于初学者来说，拥有一个清晰的学习路径是至关重要的。以下是为零基础纯小白的初学者定制的学习计划，旨在帮助初学者在数周到数月内建立起机器学习的知识体系，打下坚实的基础，为未来深入的学术研究做好准备。

每月学习目标概览

• 第一个月：掌握Python编程基础和数学基础。
• 第二个月：理解并能处理数据，学习机器学习的基本理论。
• 第三个月：通过项目实践加深理解，开始接触深度学习。

每周安排适量的学习任务，保证有足够的时间进行实践和复习。建议初学者在每个阶段结束时，至少完成一个相关的实践项目，以验证所学知识。通过实践加深对理论的理解，同时积累项目经验，为未来的学术研究打下坚实的基础。

第一月：编程基础与数学基础

学习目标：

• 掌握Python编程的基本知识。
• 理解线性代数与概率统计的基础概念。

学习建议：

• 每天安排固定时间学习编程。
• 利用在线资源进行自我测试，巩固数学概念。

第1周：Python编程入门

• 中文资源：菜鸟教程Python基础
• 英文资源：Codecademy Python 课程

第2周：Python高级概念

• 中文资源：廖雪峰的Python进阶

第3周：数学基础-线性代数

• 中文资源：可汗学院线性代数
• 英文资源：Khan Academy’s Linear Algebra

第4周：数学基础-概率与统计

• 中文资源：可汗学院概率统计
• 英文资源：Khan Academy’s Statistics & Probability

第二月：数据处理与机器学习理论

学习目标：

• 学会使用NumPy和Pandas进行数据处理。
• 掌握数据可视化的基本技巧。
• 了解机器学习的基本概念和算法。

学习建议：

• 在学习数据处理时，尝试用真实数据集练习。
• 观看视频课程并跟随练习，加深对机器学习概念的理解。

第5周：数据处理基础

• NumPy：学习如何进行数值计算。
  • 英文资源：NumPy Official Guide
  • 中文资源：NumPy中文文档
• Pandas：学习如何处理和分析数据。
  • 英文资源：Pandas Official Documentation
  • 中文资源：Pandas中文文档

第6周：数据可视化

• Matplotlib：学习如何制作图表和数据可视化。
  • 英文资源：Matplotlib Tutorials
  • 中文资源：Matplotlib中文文档
• Seaborn：学习如何制作统计图形。
  • 英文资源：Seaborn Official Guide
  • 中文资源：Seaborn中文指南

第7-8周：机器学习基础

• Coursera机器学习课程：
  这是Coursera上的一门机器学习课程，由吴恩达教授讲授，是机器学习入门的首选课程，涵盖了机器学习的基本概念、原理和方法，包括线性回归、逻辑回归、神经网络、支持向量机、聚类、降维、异常检测、推荐系统等。这门课程使用Octave语言进行编程实践，可以帮助学习者理解算法的原理和实现，同时也可以使用Python或其他语言进行编程实践。这门课程适合有一定数学和编程基础的初学者，可以作为机器学习的入门课程。
  • 英文资源：Machine Learning by Andrew Ng
  • 中文资源：吴恩达-机器学习（Machine Learning by Andrew Ng的带中文字幕搬运）
  • 补充资源：
    吴恩达-机器学习的中文笔记及作业代码
• CS229: Machine Learning：
  这是斯坦福大学的一门机器学习课程，由吴恩达教授讲授，与Coursera上的《机器学习》课程相似，但是有更多的数学要求和公式的推导，难度稍高一些。这门课程对机器学习和统计模式识别进行了广泛的介绍，包括监督学习、无监督学习、学习理论、强化学习和自适应控制等。这门课程使用Octave语言进行编程实践，可以帮助学习者深入理解算法的原理和实现，同时也可以使用其他语言进行编程实践。这门课程适合有较好的数学和编程基础的进阶学习者，可以作为机器学习的进阶课程。
  • 英文资源：CS229: Machine Learning
  • 中文资源：CS229: Machine Learning（带机翻的中文字幕）
  • 补充资源：CS229中文讲义、CS229速查表、CS229作业代码

第三月：机器学习实践与深入理论

学习目标：

• 学会使用Scikit-learn完成机器学习项目。
• 理解深度学习的基础，并开始使用TensorFlow。

学习建议：

• 参与至少一个Kaggle项目，将所学应用于实际问题。
• 通过阅读相关书籍，深化理论知识，并结合在线教程进行实践。

第9-10周：Scikit-learn与机器学习项目

• Scikit-learn官方教程
• Kaggle Learn

第11-12周：深度学习与TensorFlow

• TensorFlow官方教程
• 动手学深度学习

推荐书籍

• 西瓜书：《机器学习-周志华》西瓜书因为篇幅的限制，涵盖了很多的内容但无法详细的展开讲，对于初学者自学来说实际阅读难度很大。这本书更适合大三以上的理工科本科生和研究生，以及有相似背景且对机器学习感兴趣的读者，入门时学习这本书籍难度稍微偏高了一些。
• 南瓜书：《机器学习公式详解》南瓜书的所有内容都是以西瓜书的内容为前置知识进行表述的，所以南瓜书的最佳使用方法是以西瓜书为主线，遇到自己推导不出来或者看不懂的公式时再来查阅南瓜书。
• 花书：《Deep Learning 深度学习》这本书由深度学习领域的三位权威IanGoodfellow、YoshuaBengio和AaronCourville编写，详细介绍了深度学习的理论基础，适合对深度学习有一定数学和编程基础的读者深入学习。
• 蜥蜴书：《机器学习实战：基于Scikit-Learn和TensorFlow》这本书提供了使用Scikit-Learn和TensorFlow实现机器学习算法的实际指导，适合有编程基础但机器学习知识基础较少的读者。
• 另：《Python 机器学习》这本书作为一个全面的教程，详细介绍了使用Python进行机器学习和深度学习的基本技术和原理。它可以作为一个分步的学习资源，也可以作为构建机器学习系统的参考手册。第三版的更新包括了TensorFlow 2和scikit-learn的新特性，以及强化学习和生成对抗网络（GANs）这两种先进的机器学习技术。

以上书籍都可在微信读书中找到。

在线编程练习与数据集

• LeetCode - 编程练习
• Kaggle Datasets - 可用于独立项目的数据集

计算平台

有的时候我们需要带GPU的平台跑代码，本地性能可能不是很够，推荐两个：

• Kaggle：可以用来当羊毛薅，你可以传自己的dataset上去，也可以用它提供的dataset。
• Google Colab：等于一个免费的notebook环境，而且还能用GPU。

写在最后

本指南针对的是零基础的纯小白，所列出的工具和资源并不一定适合所有读者，在学习过程中并不一定要严格遵循本指南，若有更好的、更新的、更适合你的课程及书籍，请自行修改学习计划。