小马的零基础机器学习推荐

本文主要是介绍小马的零基础机器学习推荐，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

“

阅读本文大概需要 7 分钟。

”

哈喽大家好，这里是编辑部小马。今天想分享我自己的机器学习入门的感想，希望能对大家有借鉴价值。

我本人（小马，不是崔哥）本科其实是自动化毕业的，目前在北京读研，读研期间转的数据挖掘方向，开始学习 Python。学习编程是个大趋势，别说是自动化专业本身就有涉及，很多经济学甚至是心理学这种看似无关的研究生同学，也都在学习相关的内容。但一开始的学习非常痛苦——尤其是之前完全没有学习过编程、数据库、没有其他任何基础的朋友，处于非常强烈的困境，Python虽好，我手不巧。（文末会推荐免费的基础课资源！）

幸好我刚开始学机器学习的时候就开始跟崔老师谈恋爱了。

啊不是

我的意思是，因为种种因缘巧合，我在学习机器学习的路上一直有崔老师的帮助。

当时崔哥给我订计划的时候，本身是定了一系列的书单的，一本一本的往下续的那种。

但是，书是真的很难看。

我不是说人家书写的不好的意思，但是我有的时候看起来的时候就像过流水账。

贝叶斯，点点头

K-NN，点点头。

这本书合上，我的大脑还是空空如也。

另外网上也有一些免费视频资源，但一是不系统，二是我遇到问题老得吧得吧问崔哥，我们爱情的花朵枯萎的太快。

所以我就走了另一条路——知识付费。我跟崔哥挑选了几个，最后综合价格和内容选择了 Udacity 的机器学习（全球三大专业在线学习平台之一，应该很多人听过）。在这里我就不讲理论上的学习路径，只说一些初学者经常遇到的问题和我的建议。

1. 项目的重要性

就像前面提到的，初学者的一大误区就是，我先自己看看视频、看看书学。

编程是一项实战技能，光理解公式是远远不够的。没有实战与练习、不做项目，永远是纸上谈兵。“Learning by doing”才是适合这种实战型技能的学习方式。

以我所学习的机器学习工程师为例，每个章节过后，都有一个项目实践的内容。包括航班延误预测、人脸识别、部署情感分析模型以及抄袭检测器四个项目。该实践对每一章的内容进行整合，每个实践做完之后需要进行上传，上传的过程中也可以跟 reviewer 留言提问。

为什么说 code review 很有用呢，reviewer 和机器的区别就是，机器只能告诉你哪里错了，但真人导师会告诉你哪里好、哪里不好、可以怎么改进。coder reviewer 会对项目中的每一步给出相应的建议。

除此之外，社群助教也会提供很多帮助，而且助教中有很多隐藏的大牛（比如崔哥就真的在Udacity当过助教来着）。

2. 英语的重要性

这一点可能之前可能很少有人提到。其实我在读研的过程中是有专门机器学习这门课的，在接触这门课的时候并不能说是完全的新手，但我仍然在上前两节课的时候记了非常多的笔记。

80% 学习机器学习的过程都是为了科研/工作，而为了超越 baseline 我们就需要先看懂别人的 baseline。因此能在入门的时候就学会英文思考是非常重要的。中文是舒适圈的同时也是阻碍圈。你并不是非得用英文学，但是一定要知道这些内容对应的英文是什么，语言是学习的工具，而不是限制。

这里插一句，随着 Sundar Pichai 成为了谷歌的 ceo，原本占硅谷 50% 的华裔工程师基本退出了高管舞台。谷歌终于也加入了微软、百事、德意志银行、MasterCard、Adobe 和伦敦消费品交易巨头 Reckitt Benckiser 的队伍，开始了公司全新的“咖喱人生”：印度工程师越来越多。今天的硅谷，几乎成为了香蕉飞饼的硅谷。（我很爱吃香蕉飞饼的，不是黑）这种讨论不止于东方，在 geekforgeeks的最新报道中，记者也问出了这个问题——“为什么是印度工程师”

回答：“因为英语。”

“印度人精通英语，与中国和日本的高管相比，他们的英语说得非常流利。也许他们（其他国家）的产品是好的，但如果他们不能以吸引人的方式与世界沟通，那就毫无价值。我们可以认为这是英国在印度殖民的一个奇怪的好结果，而不是无数的坏结果。“ 这正是很多工程师的问题所在。你不但不能把自己推荐给别人，别人也不能发现你。

3. 对原理抽丝剥茧

整个学习过程其实让我很着迷……除了前面提到的阶段性项目，课程也不是简单的让你看视频，而是有非常多的实时互动，比如每10分钟，会问你一个问题，或者让你写一段代码。

关键，他说的是人话... 完全不像是大学老师那样照本宣科，课程中还大量使用了充满“美式幽默”的情景剧、对话、访谈等等。感觉对零基础的“小白”学生也是很好的体验。

课程从不要你死记硬背——将公式4代入公式3的时候就能得到公式5，我们用公式五进行判断模型优劣……

它的内容是通过循循善诱的方式，告诉你我们用的公式 3 是为什么写成这个样子的，我们以什么理论写了公式，他有什么问题，我们因此要做什么改进。我们代入公式4能做出什么改进，最后得到的东西会是一个什么效果。

因此 Udacity 不能 30 天把你培养成工程师，要至少 180 天。

举个简单的例子：

Uda 也不太嫌麻烦，每一个课程都是动图。讲线性回归，就让你慢慢看着随着线的滑动，随着斜率和y轴交点的变化，什么叫回归，怎么做到回归，而回归公式又是在怎么样一个情况下产生的。这就像是很经典的高考问题，你不是不能上来直接背过几何的公式，但是你是长期的理论的学习和理解，让你在高考之后十年还可以记住这些——正如 Uda 所做的一样。