机器学习入门很难？骗你的！丨课程推广

本人是一名普通程序员，也刚转入 AI 领域，因此结合自身经验，想回答这个问题。

本文的目的是给出一个简单的，平滑的，易于实现的学习方法，帮助 “普通” 程序员踏入 AI 领域这个门。这里，我对普通程序员的定义是：拥有大学本科知识，平时工作较忙，自己能获取的数据有限。因此，本文更像是一篇 “from the scratch” 的 AI 入门教程。

AI，也就是人工智能。曾经，符号与逻辑被认为是人工智能实现的关键，而如今则是基于统计的机器学习占据了主导地位。最近火热的深度学习正是机器学习中的一个子项。目前可以说，学习 AI 主要的是学习机器学习。

但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。

关于 AI 领域的发展历史介绍推荐看周老师写的《机器学习简介》。

下面一个问题是：

其实很不好跨。我们以机器学习为例。在学习过程中，你会面对大量复杂的公式，在实际项目中会面对数据的缺乏，以及艰辛的调参等。如果仅仅是因为觉得这个方向未来会“火”的话，那么这些困难会容易让人放弃。

答案是否定的。只要制定合适的学习方法即可。

学习方法的设定简单说就是回答以下几个问题：

这三个问题概括说就是：学习目标，学习方针与学习计划。

学习目标比较清楚，就能踏入 AI 领域这个门。这个目标不大，因此实现起来也较为容易。

“如果目标过大，那就为了你日后放弃它时找到了足够的理由”。

学习方针可以总结为 “兴趣为先，践学结合”。简单说就是先培养兴趣，然后学习中把实践穿插进来，螺旋式提高。这种方式学习效果好，而且不容易让人放弃。

有了学习方针以后，就可以制定学习计划，也称为学习路线，下面就是学习路线的介绍。

我推荐的学习路线是这样的，如下图：

这个学习路线是这样设计的：首先了解这个领域，建立起全面的视野，培养起充足的兴趣，然后开始学习机器学习的基础，这里选择一门由浅入深的课程来学习，课程最好有足够的实验能够进行实战。

基础打下后，对机器学习已经有了充足的了解，可以用机器学习来解决一个实际的问题。这时还是可以把机器学习方法当作一个黑盒子来处理的。实战经验积累以后，可以考虑继续进行学习。这时候有两个选择，深度学习或者继续机器学习。

深度学习是目前最火热的机器学习方向，其中一些方法已经跟传统的机器学习不太一样，因此可以单独学习。除了深度学习以外，机器学习还包括统计学习，集成学习等实用方法。如果条件足够，可以同时学习两者，一些规律对两者是共通的。

学习完后，你已经具备了较强的知识储备，可以进入较难的实战。这时候有两个选择，工业界的可以选择看开源项目，以改代码为目的来读代码；学术界的可以看特定领域的论文，为解决问题而想发论文。无论哪者，都需要知识过硬，以及较强的编码能力，因此很能考察和锻炼水平。经过这个阶段以后，可以说是踏入 AI 领域的门了。“师傅领进门，修行在个人”。之后的路就要自己走了。下面是关于每个阶段的具体介绍：

在学习任何一门知识之前，首先第一步就是了解这个知识是什么？它能做什么事？它的价值在什么地方？

如果不理解这些的话，那么学习本身就是一个没有方向的舟，不知道驶向何处，也极易有沉船的风险。比如你要知道机器学习是什么，能做什么，它与深度学习以及人工智能的关系？了解这些问题后，你才能培养出兴趣，兴趣是最好的引路人，学习的动力与持久力才能让你应付接下来的若干个阶段。

如果你离校过久，或者觉得基础不牢，最好事先做一下准备复习工作。“工欲善其事，必先利其器”。以下的准备工作不多，但足以应付后面阶段的学习。

复习以下基本知识。线性代数：矩阵乘法；高数：求导；概率论：条件与后验概率。其他的一些知识可以在后面的学习的过程中按需再补。

常备一个在线英文词典，例如爱词霸，能够不吃力的看一些英文的资料网页。

可以随时随地上 Google，这是一个很重要的工具。不是说百度查的不能看，而是很多情况下 Google 搜出来的资料比百度搜的几十页的资料还管用，尤其是在查英文关键字时。节省时间可是很重要的学习效率提升。

深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些适合初学者的资源介绍：

• UFLDL： 非常好的 DL 基础教程，也是 Andrew Ng 写的。有很详尽的推导，有翻译，且翻译质量很高；.

• Deep learning (paper)：2015 年 Nature 上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译；

• Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难；

• Recurrent Neural Networks： 结合一个实际案例告诉你 RNN 是什么，整篇教程学完以后，会让你对 RNN 如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的。

机器学习的第一门课程首推 Andrew Ng 的机器学习。这门课程有以下特点：难度适中，同时有足够的实战例子，非常适合第一次学习的人。

本文的目的是帮助对 AI 领域了解不深，但又想进入的同学踏入这个门。这里只说踏入，是因为这个领域的专精实在非常困难，需要数年的积累与努力。在进行领域学习前，充分认识自己的特点，制定合适的学习方法是十分重要的。

首先得对这个领域进行充分了解，培养兴趣。在学习时，保持着循序渐进的学习方针，不要猛进的学习过难资源；结合着学习与实践相辅的策略，不要只读只看，实际动手才有成就感。

能把难的问题讲简单的人才是真正有水平的人。所以，一定要学习优质资源，而不是不分青红皂白的学习。最后，牢记以兴趣来学习。学习的时间很长，过程也很艰难，而只有兴趣才是让你持之以恒，攻克难关的最佳助力。

谨以此文与在学海中乘舟的诸位共勉。我就是一名普通程序员，刚刚转入 AI 领域，还有很多不足。希望此文可以帮助到大家。

本文授权转载自知乎，原文链接：

https://www.zhihu.com/question/51039416/answer/138535202

觉得自己机器学习基础非常薄弱？没有在工程实践中使用过机器学习？没有实时数据处理的经验？正如作者提到的要学就一定要学优质资源，要用学习与实践相辅的策略，自己一个劲光看学习资料是没用的，要动手！将技术真正学到自己的手里！

StuQ 经过 2 个月精心打磨，为你制定最适合的学习方法，推出 60 课时（长达 40 小时）《深度神经网络实战——从 0 到 1 构建深度学习、海量数据实时分析系统》大课，用 20 小时讲方法，20 小时讲编程，让理论与实践并行。

真正将机器学习、实时数据处理、服务器和客户端开发有机结合在一起，帮助学员将机器学习充分应用到实际开发中，实现技能进阶，让你成为“人工智能先行者”！

送你价值 200 元 本课程优惠码【METWSG3MC4】，仅限使用 10 次

点 「 阅读原文 」了解更多课程内容。