Machine Learning

Appearance

准备工作 ​

在正式开始学习前，我们需要有一些基础的知识储备。

学科基础 ​

数学 ​

  • 高等数学
  • 线性代数
  • 概率论与数理统计

编程语言 ​

  • Python
    • numpy
    • pandas
    • matplotlib

以上内容是机器学习的基础知识，需要有相关的基础知识才能更好的理解机器学习的理论和算法。

如果没有相关的基础学习，本文档在下一章会对文档中用到的所有 Python、numpy、pandas、matplotlib 语法进行简要介绍，直接阅读即可。数学请在用到相关概念时自行补足。

如果以本文档（即课程）为学习路线，请务必阅读下一节的文档说明。

自主学习（选读） ​

CAUTION

本节内容所提到的自主学习是指自己学习 ML 相关内容，不是指某一个明确的机器学习算法。

IMPORTANT

本节内容综合了个人经验与网络经验贴，不一定适合所有人，仅供参考！

相比于跟随课程或阅读文章，如果你更习惯自学，建议按照如下流程进行（实际上喜欢自学的同学可能更偏好自己 DIY 学习路线，这里仅提供参考）：

基础学习 ​

基础学习的内容只需要进行基本了解，在应用过程中遇到需要的知识点再进行深入学习即可。

  1. 数学基础
  2. 机器学习理论基础
    • 机器学习 (吴恩达)（建议搭配《神经网络与深度学习》电子书）
    • 周志华老师（机器学习西瓜书作者，如果想尝试生啃建议配合南瓜书）与李宏毅老师的课程也非常好，可以自行选择。
    • [选学]统计学方法
  3. 编程基础

到这里，基本上已经初步了解了机器学习的一些基本概念和方法。

应用学习 ​

说实话很多地方我也没系统的学过，所以就单列一个方向：

  1. 基础算法
    • Scikit-learn：机器学习的重要库，提供了很多常用算法的实现。
    • Keras/Tensorflow/Pytorch：深度学习的重要库，现在的主流是 Pytorch。
  2. 视觉方向
    • OpenCV：图像处理的库，可以用来做一些简单的图像处理。
    • YOLO/SSD/R-CNN：目标检测算法。
    • ...
  3. NLP 方向
    • NLTK：自然语言处理的库，可以用来做一些简单的 NLP 任务。
    • GPT-2：生成式模型，可以用来生成文本。
    • Transformers：自注意力机制的 transformer 模型，可以用来做一些 NLP 任务。
    • ...
  4. ...

前面的区域，以后再来探索吧！