GitHub超過3000贊的「機器學習路線圖」，教你升級打怪全攻略

郭一璞 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

互聯網的一個問題就是：信息太多。

對想要學習機器學習的人來說，信息太多也是一種困擾，開放的課程、書籍、框架、開源代碼那麼多，每套資料都有自己的好處，有人說這個課程好，有人說那個框架最好用。

那麼，對新手來說，究竟該從哪個開始學？學哪個合適呢？

一位名叫Giacomo Ciarlini的義大利小哥就發現了個這問題，為了幫老闆帶新人，他把機器學習領域所需要的知識都整理成了一條機器學習路線圖：

從編程和數學開始，逐漸學會各種概念、方法、神經網路，之後研究開源項目，終將成為一代機器學習專家。

就像從新手村一路升級打怪到滿級一樣，你可以跟著這條路線圖，成長為裝備齊全、技能全面、經驗豐富的大神玩家。

四個學習部分

首先，你需要做點準備才能開始自學機器學習。

提前準備

Python

Jupyter筆記本

數學

機器學習概況

先要會一門編程語言，機器學習界最常用的Python了解一下~

Jupyter筆記本也是常用的工具，不用下載，在Web上就能直接用，可以在線coding，許多重要的應用和教程也是在Jupyter上的，一定要學會。

最後，搞機器學習一定要了解一些數學原理，還要了解一些機器學習的基本知識。

用Scikit-Learn做機器學習

為什麼用Scikit-Learn?

端到端的機器學習項目

線性回歸

分類

訓練模型

支持向量機

決策樹

集成學習和隨機森林

無監督學習

回顧

之後，安裝Scikit-Learn，這是機器學習任務中最完整，最成熟，記錄最完整的庫之一，然後就能照著路線圖把後麵線性回歸、分類……的都學習實踐一遍。

當然，每個知識點小哥都準備了一些參考資料，可以照著資料一步步來。

TensorFlow與神經網路

為什麼要用TensorFlow？

TensorFlow啟動並運行

ANN - 人工神經網路

CNN - 卷積神經網路

RNN - 循環神經網路

訓練網路：最佳實踐

自動編碼

強化學習

下一步

現在，進入TensorFlow的世界。當然，現在越來越多的開發者認為Facebook出品的PyTorch是一個更好用的框架，不過TensorFlow依然是用戶最多的框架。

一些實用資料

機器學習項目

數據科學工具

安利一些博主

現在，最基本的東西你已經掌握了，可以開始看各種豐富的資料，學習各種熱門的項目了，記得隨時關注最新出現的突破性項目，不然就要跟不上機器學習界飛快的進步和突破了。

最後，裡面所有提到的資料課程，GitHub原文都有鏈接哦。

還有續集

除了機器學習，小哥還在準備商業智能分析和雲計算架構師兩個領域的學習路線圖。

後面還準備出數據可視化、數據收集、數據預處理三個數據相關領域，如果未來需要「轉職」可以考慮學習一下。

除了技術相關，小哥甚至還準備推出有效溝通、有影響力的演講、務實決策三塊內容的路線圖，真是個技術轉管理的全才，35歲以後也不會被淘汰。

傳送門

https://github.com/clone95/Machine-Learning-Study-Path-March-2019

作者系網易新聞·網易號「各有態度」簽約作者

—完—

訂閱AI內參，獲取AI行業資訊

加入社群

量子位AI社群開始招募啦，量子位社群分：AI討論群、AI 行業群、AI技術群；

歡迎對AI感興趣的同學，在量子位公眾號（QbitAI）對話界面回復關鍵字「微信群」，獲取入群方式。（技術群與AI 行業群需經過審核，審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡就點「好看」吧 !

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！