从现在起入门机器学习

作者:Jack47

转载请保留作者和原文出处

种下一棵树,最好的时机有两个:十年前和现在。本系列是我作为机器学习的门外汉,学习斯坦福大学吴恩达教授的机器学习课程时的一些总结,目前我学到了第五周,我会在学习过程中分享一些东西出来,希望能够帮助到对机器学习感兴趣,想自学的小伙伴。

如果你对机器学习感兴趣,但也仅此而已,还没有入门,并没有系统的学习过。那么本课程适合你,它就是入门级课程,所有需要用到的东西,比如一点点线性代数的知识,编程工具Octave/Matlab的使用,都在视频里有对应的课程及练习帮助你掌握。这是公认的进入机器学习领域最好的课程,已经有180万人学习了本课程,而且本课程也是17年最流行的网上课程

很多人在自学机器学习时可能会有疑问,这课程适合自己吗?能收获什么?需要什么条件吗?比如Python或者线性代数?抛弃这些疑问吧,如果想学习就学吧,先学起来,你就有感觉了,直觉会引导你走下去。

引用一下大神卡马克在<< Doom启示录 >>里的一段话:

在信息时代,客观障碍已不复存在,所谓障碍都是主观上的。如果你想动手开发什么全新的技术,你不需要几百万美元的资金,你只需要在冰箱里放满比萨和可乐,再有一台便宜的计算机,和为之献身的决心。我们在地板上睡过,我们从河水中趟过。

当你在学习本课程时,除了视频课程之外,还有下面的这些配套的资源可以用来提高学习的效率

  1. 视频是几年前(11年?据说是coursera开办时的第一个课程)拍摄的,里面可能有一些错误的地方,注意看勘误:
    比如 Errata Week3

  2. 编程作业的额外测试用例 因为编程练习题里只有一两个测试用例,所以可能会出现你提交后发现这道题目没有过的情况,此时可以借助这些额外的测试用例来帮助你找到问题所在。

  3. 每周课程和编程练习的FAQ:
    比如第三周的
    可以在看视频课程之前大致浏览一下这里的内容,等学完视频课程后,再浏览一下这里的内容。

  4. 每周重点总结
    这个是吴恩达教授发起的讨论,主要目的是让大家用自己的语言复述一下本周的5大重点,只有自己能复述出来的东西,才是自己真正学习到的东西,这也算是一种高度浓缩的总结了。视频课程的问题是本身承载的内容有限,很容易跟着视频走,失去自己思考的时间。

  5. 学习小组,有slack, what's app 和 微信群
    我也组建了一个微信群,适合最近(2018.4月)开始学习的同学

  6. 每周相关的讨论组,比如第三周
    可以从里面看到一些有意思的idea,比如把linear regression和 logistic regression的cost function绘制出来,一图胜千言;或者有些人会把第四周logistic regression里题目给定的特征向量展示出来,也非常有意思。

References:

Recommended Courses and Study Groups for Data Scientist or Machine Learning Engineer

Kaggle: competitions, datasets, kernels

卷积神经网络(CNN)之父Yann Lecun的youtube视频

人工神经网络(ANN)教父Jeffrey Hinton的youtube视频

10 Most Popular Courses in 2017

好了,以上就是所有内容了


如果您看了本篇博客,有所收获,请点击右下角的“推荐”,让更多人看到!

打赏也是对自己的肯定
pay_weixin
微信打赏

posted on 2018-05-04 09:00 Jack47 阅读(...) 评论(...) 编辑 收藏

导航

统计