|
我们今天就来分享一篇来自 EliteDataScience 上专门讲给机器学习入门自学者的教程，一步步教你如何从基础小白进阶为 ML 大拿。快上车吧，别找硬币了，这趟车不要钱！  你是否正在准备自学机器学习，但又不知道怎么去学、还被那些贵的要命的培训课程吓得不行？ 今天我们在这篇文章里就教你怎样免费获得世界级的机器学习教育，你既不需要有博士学位，也不必是技术大牛，更不必卖好几个肾去买一份很贵的培训课程。不管你是想成为数据科学家还是在开发中使用机器学习算法，其实你都能比想象中更快地学习和应用机器学习。 本文告诉你在机器学习之路上的几个步骤，保你不会迷路，下面开始我们的表演。 第一步：先搞懂什么是机器学习在闷头学习机器学习之前，最好先把什么是机器学习搞清楚，了解机器学习的基本概念。 简单来说，机器学习就是教电脑怎样从数据中学习，然后做出决策或预测。对于真正的机器学习来说，电脑必须在没有明确编程的情况下能够学习识别模型。 机器学习属于计算机科学与统计学的交叉学科，在多个领域会以不同的面目出现，比如你应该听过这些名词：数据科学、大数据、人工智能、预测型分析、计算机统计、数据挖掘······ 虽然机器学习和这些领域有很多重叠的地方，但也不能将它们混淆。例如，机器学习是数据科学中的一种工具，也能用于处理大数据。 机器学习自身也分为多个类型，比如监督式学习、非监督式学习、增强学习等等。例如： 邮件运营商将垃圾广告信息分类至垃圾箱，应用的是机器学习中的监督式学习；电商公司通过分析消费数据将消费者进行分类，应用的是机器学习中的非监督式学习；而无人驾驶汽车中的电脑合摄像头与道路及其它车辆交互、学习如何导航，就是用到了增强学习。 想了解机器学习的入门知识，可以看看一些网络课程。对于想对机器学习领域的重点慨念有个基础的了解的人来说，吴恩达教授的机器学习入门课程绝对必看： https://www./learn/machine-learning 以及“无人车之父” Sebastian Thrun 的《机器学习入门》课程，对机器学习进行了详细介绍，并辅以大量的编程操作帮助你巩固所学内容： https://cn./course/intro-to-machine-learning--ud120 此外，Sebastian 在优达学城上还开设了一本《人工智能入门》课程，讲解人工智能领域的基本原理以及相关应用比如机器人、计算机视觉和自然语言处理等： https://cn./course/intro-to-artificial-intelligence--cs271 当然也少不了集智君整理制作的免费专栏，在这里你可以免去安装环境的烦恼，直接投入简单地机器学习训练中来： 这些课程都是免费的哦！ 大概了解机器学习后，我们就来到知识准备阶段了。 第二步：预备知识如果没有基本的知识储备，机器学习的确看起来很吓人。要学习机器学习，你不必是专业的数学人才，或者程序员大牛，但你确实需要掌握这些方面的核心技能。 好消息是，一旦完成预备知识，剩下的部分就相当容易啦。实际上，机器学习基本就是将统计学和计算机科学中的概念应用在数据上。 这一步的基本任务就是保证自己在编程和统计学知识上别掉队。 2-1：用于数据科学中的Python编程如果不懂编程，是没法使用机器学习的。幸好，这里有份免费教程，教你如何学习应用于数据科学中的Python语言： https:///learn-python-for-data-science 注：景略集智再补充三个资源： [Python入门] 01 基本法则 - 集智专栏： 从零学习数据科学中Python的完全指南： https://www./blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/ 以及40多个Python学习资源的汇总文章： https://www./community/tutorials/python-statistics-data-science 2-2：用于数据科学的统计学知识了解统计学知识，特别是贝叶斯概率，对于许多机器学习算法来说都是基本的要求。 这里有份学习数据学习中统计学知识的教程： https:///learn-statistics-for-data-science 2-3：需要学习的数学知识研究机器学习算法需要一定的线性代数和多元微积分知识作为基础。点这里，获取一份免费学习教程： https:///learn-math-for-data-science 第三步：开启“海绵模式”，学习尽可能多的原理知识 所谓“海绵模式”，就是像海绵吸水一样，尽可能多地吸收机器学习的原理和知识，这一步和第一步有些相似，但不同的是，第一步是对机器学习有个初步了解，而这一步是要掌握相关原理知识。 可能有些同学会想：我又不想做基础研究，干嘛要掌握这些原理，只要会用机器学习工具包不就行了吗？ 有这个疑问也很正常，但是对于任何想将机器学习应用在工作中的人来说，学习机器学习的基础知识非常重要。比如你在应用机器学习中可能会遇到这些问题：
要想在机器学习研究中解答这些问题，掌握机器学习的知识原理必不可少。这里推荐两个世界级的机器学习课程，一定会让你受益良多： 哈佛大学的机器学习课程，让你了解从数据收集到数据分析的整个流程： https://cs109./2015/ https://cs109./2015/pages/videos.html https://github.com/cs109/content 斯坦福大学的机器学习课程，清楚地讲解了机器学习的核心概念： https://see./Course/CS229 还有两部值得读的参考书籍：《统计学习导论》和《统计学习基础》 这两部书的英文原版下载地址： 《An Introduction to Statistical Learning》： http://www-bcf./~gareth/ISL/ISLR%20Sixth%20Printing.pdf 《Elements of Statistical Learning》： https://web./~hastie/Papers/ESLII.pdf 注：看不惯英文原版的同学，可以去读这两本书的中文版。 集智也建议大家可以多逛逛Reddit上的机器学习论坛： https://www./user/techrat_reddit/m/machine_learning/ https://www./r/MachineLearning/ https://www./r/learnmachinelearning/ 当然，Quora上的机器学习版块也很有料： https://www./pinned/Machine-Learning 逛论坛不容易看到高阶知识，你不能一直停留在菜鸟阶段不是，要升级就有必要看看专业的论文。arXive是个好去处，是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。 关于人工智能的版块： 关于机器学习的版块： 如果嫌自己搜索论文太麻烦，可以在网站 arxiv-sanity.com 上注册一个账号，它可以按自己的感兴趣标签给你推送最新的 arXive 上的论文。 第四步：针对性实际练习在开启“海绵模式”后，你应该掌握了机器学习的基础理念知识，接着就该实际操作了。 实际操作主要是通过具体的、深思熟虑的实践操作增强你的技能。本步目标有三个：
完成这一步后，就可以进行更大规模的项目了。 4-1 九个基本部分机器学习是一个非常广泛和丰富的领域，几乎在每个行业都有应用。因为要学习的东西太多，初学者很容易发慌，而且在面对很多个模型时也很容易迷失，看不到大局。 因此，我们把机器学习大概划分为九个部分： ML整体学习: 基本的机器学习原理，比如方差权衡这些知识。  优化： 为模型发现最优参数的算法。  数据预处理： 处理缺失数据、偏态分布、异常值等。
取样和拆分 怎样拆分数据集来调整参数和避免过度拟合。  监督式学习 使用分类和回归模型从标记数据中学习。
非监督式学习 使用因素和集群分析模型从非标记数据中学习。
模型评估 根据不同的性能度量做出决策。
集成学习 将不同模型相结合，达到更好的性能。
商业应用 机器学习如何帮助不同类型的商业业务。 4-2 实践工具 对于初学者，我们建议采用现成可用的算法，这样可以把时间用在熟悉机器学习流程上，而不是写算法。根据你使用的编程语言，有两个不错的工具（链接为使用教程）： Python的Scikit-Learn https:///python-machine-learning-tutorial-scikit-learn R语言的Caret https://www./watch?v=7Jbb2ItbTC4 4-3 利用数据集实践操作 在这步需要用数据集进行搭建和调试模型的实际操作，也就是将你在“海绵模式”阶段学到的理论转变为代码。我们建议你选择UCI Machine Learning Repo，Kaggle和http://Data.gov上的数据集开始入手： UCI Machine Learning Repo： http://archive.ics./ml/index.php Kaggle： 第五步：机器学习项目 终于到了最后一步，也是很有意思的一步。目前为止，我们已经完成了：知识储备、掌握基本原理、针对性练习等阶段，现在我们准备探究更大的项目： 这一步的目标就是练习将机器学习技术应用于完整的端到端分析。 任务：完成下面的项目，依次从易到难。 5-1：“泰坦尼克号”幸存者预测 “泰坦尼克号”幸存者预测是练习机器学习时相当流行的选择。而且有非常多的教程可供参考。
Python 教程： 或 https://github.com/savarin/pyconuk-introtutorial R语言教程： https://amunategui./binary-outcome-modeling/ http:///machine-learning-with-r-an-irresponsibly-fast-tutorial/ 5-2 从零开始写算法 我们建议你先以一些简单的方面写起：逻辑回归、决策树、k 最近邻算法等。 如果中间卡住了，这里有些小技巧可以参考：
5-3 选个有趣的项目或自己感兴趣的领域 其实这应该是机器学习最棒的部分了，可以利用机器学习实现自己的想法。 如果实在没想到好点子，这里有6个有趣的初学者机器学习实践项目： https:///machine-learning-projects-for-beginners 结语： 如果你按照这个步骤一步步扎实学习的话，相信你最终一定在机器学习方面小有成就！ 我们对初学机器学习的人还有10个小小的tips：
|
|
|
来自： qianfengnh > 《待分类》
