我如何学习机器学习（无需数学天才）

我记得几个月前看到过一些项目，其中机器学习取得了令人难以置信的成就。

我爱上了。我说我想学这个。难不难也没关系。我想学，而且我一定会学。

说实话，我们都听说过机器学习工程师的薪水。看看这个。

很棒吧？好吧，首先你需要学习机器学习，然后事情就变得奇怪了。

我兴奋地开始阅读论文，你知道吗？轰！到处都是数学！花哨的方程式、线性代数、向量，还有各种稀奇古怪的符号。

那天晚上，我开始像孩子一样哭泣，但哭完之后，作为一名优秀的技术人员，我决定自学。

是的，我只是另一个试图学习机器学习的书呆子。

但我意识到，学习一些比较难的科目有时很无聊，尤其是在隔离期间。所以我会尝试一些不同的东西。记录我的整个学习过程。

好吧，我会试试。

学习路径

当你在 Youtube 上搜索机器学习的学习路径时，你会发现 3 个主要视频。Siral Raval 视频、Jabrils 视频和Daniel Bourke 视频。

它们都是真金白银。所以我决定从这三个视频中挑出最好的一个。

数学

关于学习机器学习需要多少数学知识，存在很多争议。但这绝对是必要的。
也许你们中的一些人是数学天才，只需要记住一些知识。但大多数像我这样的凡人，需要从头开始学习。

好的，但我需要学什么数学呢？很简单。线性代数和微积分。

第一点是：我不是数学天才。我数学不好。我数学真的很糟糕。我在大学里微积分I、II和III的成绩很糟糕。

问题是，即使你不是数学天才，你也能学习机器学习吗？

当然可以。

但需要注意一点细节。如果你对数字很差，可能是因为你不理解它的本质。
你还记得这个词吗？线性代数和微积分的本质。3Blue1Brown与 Grant Sanderson合作。

他应该获得诺贝尔教育奖。基本上就是把数学用很棒的几何学来解释。就像你还是个孩子一样。很精彩。

所以对我来说，这是第一步。理解线性代数和微积分的意义和本质。相信我，之后一切都会变得更容易。

看完并理解视频之后，就可以开始在世界上最好的大学数学老师之一的课程中实践了。Gilber Strang 在麻省理工学院 18.06 线性代数中讲授。

想想看，你接受的教育和那些花了数千美元上课的学生一样。你没有世界一流大学的文凭，但你可以拥有知识。而这才是最重要的。

消化并练习完那门冗长的课程后，就到了微积分课。可汗学院有一门很棒的课程，能教你所有需要的知识，让你轻松应对之后要处理的那些奇奇怪怪的方程式。

统计数据

很多人对机器学习和统计学的相似性感到困惑。实际上，它们密切相关，而且理解统计学是理解机器学习的关键。

所以一定要注意并学习。

当然，为了让事情变得更容易，麻省理工学院有一个免费课程：概率——不确定性和数据的科学。

如果你读过课程表，你可能会觉得它像是一门基础课程，但其实不然。它涵盖了足够多的主题，足以让我们打下理解概率的基础。但或许，因为我们热爱学习，所以我们可以选修这门课程——可汗学院的统计学和概率学。它就像一个补充。所以，放轻松。

编程

如果您像我一样是一名软件工程师，那么这就是有趣的部分。

值得学习的编程语言是 Python。机器学习之王。它的简单性使其非常容易学习，至少基础知识如此。

在这里我假设你懂编程，所以我不想只告诉你一门课程。学习 Python 的课程有很多，甚至有很多很棒的书籍。所以，选择哪里学习，完全取决于你自己。

也许你习惯阅读文档，也许你有喜欢的 Udemy 老师，或者你订阅了某个在线学习平台。这些都没关系。记住，练习算法，才能更好地理解编写机器学习代码时究竟发生了什么。

好吧，也许你不懂编程，这将是你的第一行代码。在这种情况下，我会选择Datacamp。你可以自行研究并观看他们的 Python 课程。

机器学习

我们已经走了太远。我们学习了数学、统计学、算法，也哭了好几个晚上。一切都是为了这一刻。

吴恩达的机器学习课程。可能是机器学习最好的入门课程之一。这不是一门基础课程，所以请认真做好笔记。最终，你将学习所有知识，就像拼图一样，最终创造出优美的机器学习算法。

另一个很棒的资源是《面向程序员的机器学习入门》。这门课程讲解了机器学习算法，非常深入。

我的建议是，同时考虑两者以获得不同的观点，您可以选择最了解的一个。

我不能漏掉另一门我听说很棒的课程，但它是付费的。Udacity机器学习入门。

也许你存了一些钱，想投资自己，我觉得现在正是投资的好时机。这是你的决定。

现实世界项目

读到这里，你对机器学习有所了解，但这还不够。你需要更多地运用它。我认为这本书很适合你。

使用 Scikit-Learn、Keras 和 TensorFlow 进行实践机器学习。

同样，这些都是现实世界的项目，但这次会用到一些最好的机器学习库。不过别担心。如果你像我一样，不喜欢在不了解情况的情况下依赖库，那你已经知道了。这就是为什么这本书把它放在最后。

最后的话

在你们出去之前，我想给你们一些建议。

1. 你可以随意调整一些要点的顺序。也许你想先学习 Python，然后学习线性代数，最后学习统计学。没问题。

2. 学有所成，多加练习。

3. 在了解情况之前，在任何阶段尝试一下机器学习算法。调整设置看看会发生什么。好奇心必须是你的武器。

4. 耐心点。我知道这一切都需要时间，而且可能很痛苦。但最终，一切都是值得的。

5. Kaggle，很多。

6. 享受过程，而不是结果。