32

精心整理,机器学习的3大学习资源

 4 years ago
source link: http://mp.weixin.qq.com/s?__biz=MzI2NjkyNDQ3Mw%3D%3D&%3Bmid=2247492482&%3Bidx=2&%3Bsn=8d1c660b9991bd0bf762c5a5e8bee8d6
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.

EjyQZvZ.jpg!web

全文共 1860 字,预计学习时长 6 分钟

F7nUFnu.jpg!web

来源:Pexels

机器学习一直是热门话题,它确实有理由如此重要,它能帮助人们预测未来的行为,使电子邮件免受垃圾邮件的干扰,并根据喜好记忆作出电影推荐。

机器学习有无尽可能性,该领域薪资高,工作者在工作上能享受到极大乐趣,这让他们大多数时候感觉不像工作。 然而,零经验者如何在合理时间内掌握机器学习? 本文会给出答案。

无论背景如何,所有人的第一步都相同。 不是只有数学博士才能进行机器学习。 我没有数学博士学位,也不认为自己格外聪明,不过一件事是肯定的——我比身边所有人都用功。

如果不工作,高学历将一文不值。

话虽如此,初学者应客观准确地评估自身的当前状况。 问自己几个问题:

·       我的编程能力如何?

·       我上一次解决数学问题和做统计数据是什么时候?

·       我愿意投入多少时间到机器学习上?

注意,进行应用机器学习无需专于以上任一领域。 只需编程能力优于普通数学家,数学能力优于普通程序员即可。 这是黄金准则。

如果你看到这里,很好,现在请准备好进入让人又爱又恨的机器学习世界。

1.Python数据科学和机器学习训练营

YjAjeaJ.jpg!web

来源:Pexels

这是一门在线课程,观看大约需要22个小时,但可能要花5倍时间才能完全理解。 课程从复习Python到介绍库,再深入研究机器学习算法。

我已完成该课程——它是入门学习机器学习的好方法,但仅此而已。 因为这些算法并没有讲解得很深入。 当然,完成课程后你能够使用算法并以此解决实际问题,但是很可能不清楚要用何种算法、何时以及如何(适当)调整算法。

这是因为,这门课程的重点并不在于数学。 事实上我认为这门课程根本没讲到任何数学运算,仅仅在讲解如何运用Python的各种库。 课程作者建议学员在学习课程的同时阅读 《统计学习入门》 以获取扎实的理论基础。 我也认为需要读这本书。

然而,该课程仍提供了诸多实践的好机会。

价格: Udemy上原价为194.99美元,但经常可以享受9.99美元的折扣价。 这个投资绝对不会亏。

2.Coursera: Andrew Ng的机器学习课程

这门课程就如同进入机器学习行业的标准。 到目前为止,已有12万多名用户对该课程评分,平均分4.9,满分为5。 这也证明了它的优质。

视频画质不佳,但是内容质量弥补了这一点。 这门课程的内容要比第一门课程深入得多,尽管Ng说有些地方不懂也没关系,但还是应该找到自己的弱项然后尽己所能强化它。

据我所知,实验室使用一种叫“八度(Octave)”的奇怪语言,它是Matlab的免费替代品。 这几乎是这门课的唯一缺点,因为如今大家几乎只用Python或R语言进行机器学习。

价格: 观看视频是免费的,但是必须支付100美元才能获得结业证书。

将证书添加到领英的个人页面很酷,但这不是必需品。

3.哈佛大学: CS109A

ZjuAnuQ.jpg!web

来源:sina

与前两个学习资源不同的是,这不是视频课。 它是一个GitHub库,上面有理论部分的讲座(PDF)和Jupyter实验室笔记。

老实说,我不知道为什么这个资源会免费。

明明这是一门由世界顶尖大学之一制作的完整课程,居然完全免费。 它包含20多个讲座,13份实验室笔记,总体上是机器学习的不错起点。 我还没完成学习,因为我最近才开始看这份资源。 但是从已经学习的部分看,它确实很棒。

价格: 免费,跟着库学习就行。

机器学习准备工作

Zneeqez.jpg!web

来源:Pexels

现在你已经得到3个很棒的学习资源,可以开始机器学习之旅了。 这绝非易事,尤其是在你缺乏一些背景知识而需要补回这些知识的情况下,但付出的精力都是有回报的。

如果零基础者,我会推荐从第三个资源哈佛大学课程开始学习,我认为这是以上三个资源课程里最好的。

但这也不意味着另外两个很糟糕,相反它们都很棒。 我的建议是:

·       如果想对理论部分有个广泛的总概学习,并且想要很多实践机会,请选择第一个

·       如果想掌握机器学习总论且不喜欢视频课,请选择第三个

·       如果想要了解一点背景知识,但也想理解模因,请选择第二个

感谢阅读。 保重身体。

Nbqmy26.jpg!web

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组: 郑雨晴、王品一

相关链接:

https://towardsdatascience.com/top-3-resources-to-learn-machine-learning-a2adcda40fd

如转载,请后台留言,遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017论文集:34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你

2ABbUry.gif


About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK