如何自學人工智能？

歡迎關注咱們，AI教程、學習資源、趣味科普、論文解讀，你想看的都在這裏！

---

最近很多同窗躍躍欲試，想投入 AI 的懷抱，但苦於不知如何下手。其中，人工智能的核心就是機器學習（Machine Learning），它是使計算機具備智能的根本途徑，其應用遍佈人工智能的各個領域。

咱們今天就來分享一篇來自 EliteDataScience 上專門講給機器學習入門自學者的教程，一步步教你如何從基礎小白進階爲 ML 大拿。快上車吧，別找硬幣了，這趟車不要錢！

你是否正在準備自學機器學習，但又不知道怎麼去學？

今天咱們在這篇文章裏就教你怎樣免費得到世界級的機器學習教育，你既不須要有博士學位，也沒必要是技術大牛。無論你是想成爲數據科學家仍是在開發中使用機器學習算法，其實你都能比想象中更快地學習和應用機器學習。

本文告訴你在機器學習之路上的幾個步驟，保你不會迷路，下面開始咱們的表演。

第一步：先搞懂什麼是機器學習

在悶頭學習機器學習以前，最好先把什麼是機器學習搞清楚，瞭解機器學習的基本概念。

簡單來講，機器學習就是教電腦怎樣從數據中學習，而後作出決策或預測。對於真正的機器學習來講，電腦必須在沒有明確編程的狀況下可以學習識別模型。

機器學習屬於計算機科學與統計學的交叉學科，在多個領域會以不一樣的面目出現，好比你應該聽過這些名詞：數據科學、大數據、人工智能、預測型分析、計算機統計、數據挖掘······

雖然機器學習和這些領域有不少重疊的地方，但也不能將它們混淆。例如，機器學習是數據科學中的一種工具，也能用於處理大數據。

機器學習自身也分爲多個類型，好比監督式學習、非監督式學習、加強學習等等。例如：

郵件運營商將垃圾廣告信息分類至垃圾箱，應用的是機器學習中的監督式學習；電商公司經過分析消費數據將消費者進行分類，應用的是機器學習中的非監督式學習；而無人駕駛汽車中的電腦合攝像頭與道路及其它車輛交互、學習如何導航，就是用到了加強學習。

想了解機器學習的入門知識，能夠看看一些網絡課程。對於想對機器學習領域的重點慨念有個基礎的瞭解的人來講，吳恩達教授的機器學習入門課程絕對必看：戳這裏。

以及「無人車之父」 Sebastian Thrun 的《機器學習入門》課程，對機器學習進行了詳細介紹，並輔以大量的編程操做幫助你鞏固所學內容：戳這裏。

固然也少不了集智君整理製做的免費專欄，在這裏你能夠免去安裝環境的煩惱，直接投入簡單地機器學習訓練中來：

邊看邊練的機器學習簡明教程

這些課程都是免費的哦！

大概瞭解機器學習後，咱們就來到知識準備階段了。

第二步：預備知識

若是沒有基本的知識儲備，機器學習的確看起來很嚇人。要學習機器學習，你沒必要是專業的數學人才，或者程序員大牛，但你確實須要掌握這些方面的核心技能。

好消息是，一旦完成預備知識，剩下的部分就至關容易啦。實際上，機器學習基本就是將統計學和計算機科學中的概念應用在數據上。

這一步的基本任務就是保證本身在編程和統計學知識上別掉隊。

2-1：用於數據科學中的Python編程

若是不懂編程，是無法使用機器學習的。幸虧，這裏有份免費教程，教你如何學習應用於數據科學中的Python語言：戳這裏。

注：景略集智再補充三個資源：

[Python入門] 01 基本法則

從零學習數據科學中Python的徹底指南

以及40多個Python學習資源的彙總文章

2-2：用於數據科學的統計學知識

瞭解統計學知識，特別是貝葉斯機率，對於許多機器學習算法來講都是基本的要求。 這裏有份學習數據學習中統計學知識的教程：戳這裏。

2-3：須要學習的數學知識

研究機器學習算法須要必定的線性代數和多元微積分知識做爲基礎。點這裏，獲取一份免費學習教程：戳這裏。

第三步：開啓「海綿模式」，學習儘量多的原理知識

所謂「海綿模式」，就是像海綿吸水同樣，儘量多地吸取機器學習的原理和知識，這一步和第一步有些類似，但不一樣的是，第一步是對機器學習有個初步瞭解，而這一步是要掌握相關原理知識。

可能有些同窗會想：我又不想作基礎研究，幹嗎要掌握這些原理，只要會用機器學習工具包不就好了嗎？

有這個疑問也很正常，可是對於任何想將機器學習應用在工做中的人來講，學習機器學習的基礎知識很是重要。好比你在應用機器學習中可能會遇到這些問題：

• 數據收集是個很是耗時耗力的過程。你須要考慮：我須要收集什麼類型的數據？我須要多少數據？等此類的問題。

• 數據假設和預處理。不一樣的算法須要對輸入數據進行不一樣的假設。我該怎樣預處理個人數據？個人模型對缺失的數據可靠嗎?

• 解釋模型結果。說機器學習就是「黑箱」的觀點明顯是錯誤的。沒錯，不是全部的模型結果能直接判讀，但你須要可以判斷模型的情況，進而完善它們。我怎麼肯定模型是過分擬合仍是不充分擬合？模型還有多少改進空間？

• 優化和調試模型。不多有人剛開始就獲得一個最佳模型，你須要瞭解不一樣參數之間的細微差異和正則化方法。若是個人模型過分擬合，該怎麼修正？我應該將幾個模型組合在一塊兒嗎？

要想在機器學習研究中解答這些問題，掌握機器學習的知識原理必不可少。這裏推薦兩個世界級的機器學習課程，必定會讓你受益良多：

1. 哈佛大學的機器學習課程，讓你瞭解從數據收集到數據分析的整個流程：戳這裏。

（提示：這個課程和吳恩達教授的課程配合食用，效果更加）

2. 斯坦福大學的機器學習課程，清楚地講解了機器學習的核心概念：戳這裏。

還有兩部值得讀的參考書籍：《統計學習導論》和《統計學習基礎》

這兩部書的英文原版下載地址：

《An Introduction to Statistical Learning》

《Elements of Statistical Learning》

注：看不慣英文原版的同窗，能夠去讀這兩本書的中文版。

集智也建議你們能夠多逛逛Reddit上的機器學習論壇：

機器學習版塊1

機器學習版塊2

機器學習版塊3

固然，Quora上的機器學習版塊也頗有料：戳這裏。

逛論壇不容易看到高階知識，你不能一直停留在菜鳥階段不是，要升級就有必要看看專業的論文。arXive是個好去處，是個收集物理學、數學、計算機科學與生物學的論文預印本的網站。

人工智能版塊

機器學習版塊

若是嫌本身搜索論文太麻煩，能夠在網站 arxiv-sanity.com 上註冊一個帳號，它能夠按本身的感興趣標籤給你推送最新的 arXive 上的論文。

第四步：針對性實際練習

在開啓「海綿模式」後，你應該掌握了機器學習的基礎理念知識，接着就該實際操做了。 實際操做主要是經過具體的、深思熟慮的實踐操做加強你的技能。本步目標有三個：

• 練習機器學習的整個流程：收集數據，預處理和清理數據，搭建模型，訓練和調試模型，評估模型。

• 在真正的數據集上實踐操做：對於什麼樣的數據適合用什麼類型的模型，本身應逐漸創建這方面的判斷能力。

• 深度探究：例如在上一步，你學習了不少機器學習算法知識，在這一步就要將不一樣類型的算法應用在數據集中，看看哪一個效果最好。

完成這一步後，就能夠進行更大規模的項目了。

4-1 九個基本部分

機器學習是一個很是普遍和豐富的領域，幾乎在每一個行業都有應用。由於要學習的東西太多，初學者很容易發慌，並且在面對不少個模型時也很容易迷失，看不到大局。

所以，咱們把機器學習大概劃分爲九個部分：

ML總體學習:

基本的機器學習原理，好比方差權衡這些知識。

優化：

爲模型發現最優參數的算法。

數據預處理：

處理缺失數據、偏態分佈、異常值等。

取樣和拆分：

怎樣拆分數據集來調整參數和避免過分擬合。

監督式學習：

使用分類和迴歸模型從標記數據中學習。

非監督式學習

使用因素和集羣分析模型從非標記數據中學習。

模型評估

根據不一樣的性能度量作出決策。

集成學習

將不一樣模型相結合，達到更好的性能。

商業應用

機器學習如何幫助不一樣類型的商業業務。

4-2 實踐工具

對於初學者，咱們建議採用現成可用的算法，這樣能夠把時間用在熟悉機器學習流程上，而不是寫算法。根據你使用的編程語言，有兩個不錯的工具：

Python的Scikit-Learn：戳教程

R語言的Caret：戳教程

4-3 利用數據集實踐操做

在這步須要用數據集進行搭建和調試模型的實際操做，也就是將你在「海綿模式」階段學到的理論轉變爲代碼。咱們建議你選擇UCI Machine Learning Repo，Kaggle和http://Data.gov上的數據集開始入手：

UCI Machine Learning Repo

Kaggle數據集

DataGov數據集

第五步：機器學習項目

終於到了最後一步，也是頗有意思的一步。目前爲止，咱們已經完成了：知識儲備、掌握基本原理、針對性練習等階段，如今咱們準備探究更大的項目：

這一步的目標就是練習將機器學習技術應用於完整的端到端分析。

任務：完成下面的項目，依次從易到難。

5-1：「泰坦尼克號」倖存者預測

「泰坦尼克號」倖存者預測是練習機器學習時至關流行的選擇，並且有很是多的教程可供參考。

Python教程1

Python教程2

R語言教程1

R語言教程2

5-2 從零開始寫算法

咱們建議你先以一些簡單的方面寫起：邏輯迴歸、決策樹、k 最近鄰算法等。

若是中間卡住了，這裏有些小技巧能夠參考：

• 維基百科是個不錯的資源庫，提供了一些常見算法的僞代碼。

• 能夠看看一些現成ML工具包的源代碼，得到靈感。

• 將算法分爲幾部分。寫出取樣、梯度降低等的分離函數。

• 在開始寫整個算法前，先寫一個簡單的決策樹。

5-3 選個有趣的項目或本身感興趣的領域

其實這應該是機器學習最棒的部分了，能夠利用機器學習實現本身的想法。

若是實在沒想到好點子，這裏有8個有趣的初學者機器學習實踐項目：戳這裏。

結語

若是你按照這個步驟一步步紮實學習的話，相信你最終必定在機器學習方面小有成就！

咱們對初學機器學習的人還有10個小小的tips：

• 爲本身設定學習目標和期限，盡力完成。

• 打好學習基礎，掌握基本理論。

• 將實踐理論相結合，不要只關注某一個方面。

• 試着本身從頭寫幾個算法。

• 多角度思考問題，找到本身感興趣的實踐項目。

• 多想一想每一個算法能產生什麼價值。

• 不要相信科幻電影中對ML的胡吹。

• 別過分理會網上關於ML知識的爭論。

• 多想一想數據的「輸入/輸出」，多問問「爲何」。

• 上集智，第一時間將本身升級→→集智

最後，祝同窗們學有所成！

注：原文爲英文，所以列舉的學習資源多爲英文。若是擔憂本身英文很差其實也不要緊，由於學習思路是同樣的，在相應階段尋找中文學習資料就ok了。

---

關注景略集智掘金主頁，精彩內容再也不錯過！