從0到1 | 0基礎/轉行如何用3個月搞定機器學習
寫這篇文章的初衷是現在好多朋友都想了解如何入門/轉行機器學習,搭上人工智慧這列二十一世紀的快車。再加上這個問題每隔一陣子就會有人提及,因此想寫篇文章來個一勞永逸。
文章的宗旨:
-
指出學習中的一些誤區
-
提供客觀可行的學習表
-
給出進階學習的建議
目標讀者是:
-
零基礎,對人工智慧感興趣的讀者
-
有基礎,想將機器學習/資料分析和自己的本職工作相結合的朋友
-
在讀的學生朋友
-
已工作,有其他程式設計基礎想轉人工智慧的朋友
學習中的一些誤區
1. 不要試圖掌握所有相關的數學知識後再開始學習機器學習
一般人如果想要把這些知識都補全再開始機器學習往往需要很長時間,容易半途而廢。而且這些知識是工具不是目的
2. 不過多收集資料 & 分辨資料的時效性
機器學習的資料很多,動輒就有幾百G的材料可以下載觀看,很多朋友都有“收集癖”,其實也就是放那而已。 在入門期間,建議“小而精”的選擇資料,找準適合你的,看得懂的開始行動。
3. 多實踐,多認識一些行業大咖 多交流
機器學習一些演算法選擇毫不誇張的講就是在實踐中摸索經驗和技巧,不行動肯定是不行的。
另外多跟一些行業大咖交流學習,有機會認識就一定要取得聯絡。這波人身上或身邊有很多的資源和人脈,儘可能挖掘一些,不管是學習途中的問題請教還是以後的工作機會,這些能用得上的儘量不要放過。
機器學習課程表
Python基礎 | 數學基礎 |
函式-類-面向物件 容器、檔案處理 模組、標準庫 資料結構 |
概率論 統計學 線性代數 微積分 |
Python資料科學 | 監督學習 |
NumPy SciPy Pandas Matplotlib Scikit-Learn |
決策樹 線性迴歸 邏輯迴歸 樸素貝葉斯 支援向量機 整合學習 EM演算法 |
非監督學習 | 半監督學習 |
K均值演算法 DBSCAN聚類 主成分分析 |
協同過濾 標籤傳播 |
深度學習 | 深度學習框架 |
BP神經網路 卷積神經網路 迴圈神經網路 遞迴神經網路 深度神經網路 |
TensorFlow MXNet Caffe2 PaddlePaddle Keras PyTorch |
自然語言處理 | 專案實戰 |
Tf-idf Word2Vec FastText |
垃圾郵件過濾 車牌號碼識別 人臉識別 金融智慧決策系統 自然語言情感分析 招聘網反詐騙系統 ...... |
這個是一個比較系統的學習大綱,涉及到的知識面很多很廣,期間的學習方法和技巧在這就憑這點文字肯定是講不完,也講不明白。
所以鑑於此,我準備了幾節公開課,通過視訊講解、動畫演示、應用場景、實習推薦等多方面來跟大家補充完善。
公開課的內容 (20:00開講):
-
0基礎如何用3個月學會機器學習(11.20)
-
樸素貝葉斯的垃圾郵件過濾實戰(11.21)
-
金融智慧決策系統(時間序列) (11.28)
-
自然語言情感分析機制 (12.05)
-
人臉識別(神經網路\OpenCV) (12.12)
如果沒趕上會有錄播回放,暫定這5個主題,後面持續更新,全部免費、全部免費、全部免費。
大家可以加微信:2252377210 或長按識別下面二維碼來諮詢聽課細節, 註明: 學習
我姓何,大家可以叫我 Pierre(皮爾),2013年中科院博士畢業後去法國國家科學院工作了2年多,考慮到想為祖國的AI發展貢獻自己的一份力量(雖然微不足道),於16年回到國內,目前就職於北京某頂尖AI公司。
在北京的朋友可以線下認識一下,我這也有一些資源和渠道推薦給大家學習或實習或就業
深入研究,實踐實戰
恭喜你!如果你已經完成了上面的計劃表,代表你已經有了相當的機器學習能力。
接下來就要儘早接觸實戰,可以是多種形式,如實習、工作、科研、進實驗室等等都可以。
對於大部分已經工作的朋友來說,重新回到學校攻讀學位並不現實,這個時候,你就可以試著把機器學習應用到你自己的工作當中。
最後,不管選擇什麼方向最重要的就是獨立思考的能力,和踏出第一步的勇氣。