机器学习学习路线
学习路线
一、入门ML需要的基本技能
1.1 数学(略)
本科期间的高数、线性代数、概率论相关基础知识
有多余时间可以看看研究生需要学的矩阵论、凸优化等内容
1.2 编程语言python
理解基本语法,会调用一些常用的模块即可
有时间可以学习用python进行一些数据分析,爬虫等操作如
主要学习numpy,pandas,scikit-learn 等python包。
推荐:简书博客:《利用Python进行数据分析·第2版》
B站:Python爬虫编程基础5天速成(2021全新合集)Python入门+数据分析
二、ML基本理论知识
2.1 视频课程
Ng的课程非常出名,还有台湾李宏毅老师的课程,这两位老师的课程都可以在B站搜到
每年都有更新,另外翻一翻地下评论,会有大佬列出笔记、代码实现等等
1、B站:吴恩达cousera机器学习
2、B站:吴恩达Stanford_CS229
3、B站:李宏毅机器学习
推荐:先1后2
2.2 书籍、博客
西瓜书(周志华 机器学习)
花书(深度学习)
李航 统计学习方法
关于推导可以看看B站白板推导机器学习
简单看看就好,注意时间:时间多的话可以看看底层代码,知道输入输出参数具体含义是啥就好,属实没必要动手亲自写。时间少,能理解概念就好
2.3 实战
kaggle
三、深度学习理论知识
深度学习主要有两个热门的分支1、计算机视觉CV 2、 自然语言处理NLP
3.1 框架学习
pytorh 或者 tensorflow
B站刘二大人:《PyTorch深度学习实践》完结合集
代码1
代码2
3.2 计算机视觉
B站:斯坦福李飞飞cs231n计算机视觉课程
看到RNN即可(1-22)
完成前两个作业
3.3 自然语言处理
B站:CS224n 斯坦福深度自然语言处理课
看P1-5 8 9 11
作业 a1 a2 a3 a5
邱锡鹏老师的书
3.4 实战
阿里云天池大赛
1、新闻文本分类
赛题解析、分析数据、基于机器学习文本分类
看看不同模型作文本分析的效果,怎样优化1、2、3、4
2、街道符号识别
赛题解析、数据分析、模型构建、模型训练与验证、模型的集成
3.6 进一步学习
1、B站李沐老师
2、《白面机器学习》,代码
3、复现最新论文
本文大部分内容由B站up @NLP从入门到放弃的 三个月从零入门深度学习,保姆级学习路线图视频整理。讲的肥肠详细,推荐大家康康
下面我去学习啦!!!
这篇文章也会随着我的学习进度而更新(主要是更新一些学习感受以及提醒大家避免的坑)
来源:橘の月半喵