萬萬沒想到，高中生也開始學機器學習了?！

近年人工智能、機器學習相關技術已經屢次刷新了人們對於「計算機能作什麼」的認知，並在人機博弈、計算機視覺、生物特徵識別、無人駕駛、醫學診斷等應用領域取得突破性進展。機器學習這麼火，那做爲一名編程人員或者普通從業者，有沒有必要轉型機器學習呢？

有必要。可是我不是提倡盲目放棄本職工做轉行去作深度學習，或者說人工智能。隨着大數據的普及，機器學習特別是深度學習成爲不少工程人員的進階的方向。但任何技術都應當創建在實際業務需求之上。打個比方，咱們不是要作機器學習裏會前端開發的人，而應該成爲前端開發裏懂機器學習的人，這就是你的優點所在。

那麼該怎麼學？前段時間有個朋友找到我，「你是專業人士，幫我推薦下怎麼入門機器學習」。這位朋友本職是前端開發，滿打滿算3年的工做經驗，爲了得到更多附加值，加入不少技術交流羣，付費星球等等，也入手了不少「機器學習從入門到進階資料」，目前自學了3個月的高數處在放棄的邊緣。

機器學習開始大火，這讓專業出身的我欣慰的同時，也替機器學習門外的人感到焦慮，由於他們正在按照我10年本科到博士全日制路子走，並且靠業餘時間自學，這個難度可想而知。我想了下給了他下面兩條建議：

1.別讓網絡上幾百G的資料成爲阻礙

咱們在入門的時候一般會蒐集海量的學習資料，好比「機器學習必讀的100本pdf」「某某學院的內部資料」，「從入門到實戰*百G資料」，而後踏踏實實地放進網盤裏。可是90%的人在看着這些資料後感嘆太多了，不知道從何處着手。因此真正一份好的入門教程比你搜集上千G的資料更重要。

2.放棄0基礎入門，曲線突圍

機器學習是一門融合機率論、線性代數、凸優化、計算機、神經科學等多方面的複雜技術。但撇開學術界需求，其實大部分人最終不會從事算法研究，而會奮鬥在一線應用領域。數學理論學習在入門初期沒那麼必要，最好先從頂層框架上有個系統的認識，而後再從實踐到理論，有的放矢的查缺補漏機器學習知識點。從宏觀到微觀，從總體到細節，更有利於機器學習快速入門！並且從學習的積極性來講，也起到了「正反饋」的做用。

這以後，我一直在思考，有沒有一種可能，讓全部人都能入門機器學習。通過3個月的蒐集和籌備，我與菜鳥窩合做將本身從本科到碩士、博士以及執教以來的經驗，融合進了這門機器學習基礎課，給機器學習脫去複雜的公式外衣，從實戰角度讓機器學習變得再也不呆板嚴肅。

我是Beck Wang，（博士）畢業於清華大學，主攻數據與人工智能方向，現於北京某重點大學擔任講師，曾在TKDE/ TKDD等國際一流期刊及IJCAI/AAAI等國際等級會議發表多篇論文，擁有多項專利技術曾就任於微軟亞洲研究院和華爾街某基金公司，在人工智能領域擁有豐富的機器學習實踐經驗。

本門課程總計有10節41講，系統地展現了機器學習須要掌握的理論知識，以人人都能理解的角度結合具體python例子，讓學習者能使用機器學習算法來解決具體實際問題，並最終在實踐中深刻淺出的掌握機器學習基礎理論，逆向思惟實現機器學習0到1的突破。

1\深刻淺出，高中畢業的數理基礎就能上手

做爲一套基礎課程，它多是目前全網最容易入門的機器學習基礎課程，課程中沒有複雜的公式推導和理論分析。固然你最好有一些編程人通用的「矩陣-向量」乘法知識。

2\學習主流機器學習開發語言python

python做爲一種解釋性語言，先天在人機交互上優於其它語言，並且它擁有大量開源框架，本課程將會讓你提升python編程技能，靈活使用算法和調優模型。

3\理論結合實踐，14個應用案例，23個編程示例

爲了讓技術與實際應用更緊密，本課程以案例驅動的方法，講解機器學習基礎、實用以及進階等階段的方法和技巧，涵蓋了機器學習算法理論、模型調優、求解。

想要免費得到本次課程的視頻和課件，能夠勾搭助教weixin：BT474849 哦~