人工智能机器学习的3大学习资源

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

 

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

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

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。

人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（ 空间技术、 能源技术、 人工智能）。也被认为是二十一世纪三大尖端技术（ 基因工程、 纳米科学、 人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。