Python还是R语言？如何学习数学？机器学习之旅从这里开始……但不知道从哪里开始。别着急，兴趣是最好的老师。这是您在该领域开始职业生涯的完整学习路径。笔者也面临着同样的困惑：什么是好的开始？我应该学习Python还是选择R语言？数学总是可怕的。我总是担心我应该从哪里开始学习数学，以及如何为机器学习打下坚实的基础。基础。不管怎样，恭喜你，至少你已经下定决心了。本文将带您完成开始机器学习生涯之前的所有准备工作。机器学习的第一步（基础编程）第一步应该是学习编程，最好是Python。如果你从来没有写过一行代码，建议你学习一下哈佛大学的CS50。这是编程初学者最好的课程，它会从头教你从C到Python、JavaScript的许多要点以及SQL和JSON的基础知识。在edx.org上是免费的。如果您想直接从Python入手，那么edx上的免费“麻省理工学院计算机科学Python入门课程”适合您。需要注意的是，至少你需要掌握高中代??数。图片来源：unsplash如果你觉得自己的计算逻辑不行，不擅长解决编程问题，微软的课程很好。本课程与edx上的“计算思维”相关，免费。它可以教你很多关于计算逻辑和批判性思维的知识。如果你掌握了足够的编程基础知识，但是对面向对象编程的知识还不了解，建议学习面向对象编程编程。虽然它在机器学习（基础级别）中没有大量使用，但它确实有很大帮助。它将教授Python中OOP和算法的基础知识。下一步是熟悉数据结构和算法。一个好的程序员必须知道一些基本的算法，比如链表、二叉树等。微软的课程会讲授：算法分析分类和搜索算法数据结构：链表、栈、队列如果你想深入研究数据结构和算法，UCSanDiego的题目绝对是经典。它有6门课程，将学习者从数据结构和算法的0级提升到英雄级。您可以单击每门课程并免费旁听其资料，但对于证书，价格为每月50美元，具体取决于您完成课程的速度。您可以在Coursera.org上找到该主题。机器学习的第二步对于大多数初学者来说，数学是最“劝阻”的部分。其实，数学并没有想象中那么难。如果你认为自己的高中数学基础不错（向量、矩阵、微积分、概率统计），可以只上一门复习课；但如果你觉得自己的数学不够好，那么学数学最好的地方就是“可汗学院”，那里内容丰富实用，而且全免费。您可以找到有关线性代数、概率和统计以及多元微积分的所有课程。来源：unsplash另一门优质课程是Coursera上伦敦帝国理工学院的MachineLearningMathematicsTopic，教授基础知识和复习概念，但不深入，习题和测试都非常具有挑战性。它有以下3门课程：机器学习数学：线性代数机器学习数学：多元微积分机器学习数学：主成分分析麻省理工学院还有一门很好的统计学课程，包括：使用矩和最大似然构造一个估计器并决定如何在使用置信区间和假设检验量化不确定性之间进行选择使用拟合优度检验在不同模型之间进行选择使用线性、非线性和广义线性模型进行预测使用主成分分析(PCA)进行降维如果您想学习在编写代码时学习数学，请转到Microsoft的课程“机器学习的基本数学：Python版”。这是一门交互式课程，使用Python著名的数据处理库Numpy、pandas和matplotlib来可视化地教授数学，而这些库是这门课程的先决条件。Udacity上有3门免费的统计课程：IntroductiontoStatisticsStatisticalReasoningIntroductiontoStatistics你也可以在学习实用机器学习的同时学习数学。关于此主题的数百个优质视频。机器学习第三步在熟悉了线性代数、多元微积分和统计学之后，接下来需要学习的是Python著名的可视化数据处理库，包括Numpy、Pandas、Matplotlib和Scipy，有助于分析和操作任何数据类型并以图形方式查看数据。来源：unsplash当然，还有很多其他的可视化数据处理库，但这些是最重要的，它可以图形化地可视化线性代数和微积分的概念。其中一个代表是密歇根大学的PythonStatisticsTrack，它教授数据可视化和操作细节。当然，在coursera.org上免费提供。另一门课程是密歇根大学为数据分析初学者开设的“IntroductiontoDataSciencewithPython”，涵盖了从numpy到pandas的基础知识。也可以在coursera.org上免费获得。课程的下一部分是改变方式，命名为Python中的应用绘图、图表和数据表示，它将为您提供图形可视化的所有技术及其技巧。《使用Python进行研究》来自哈佛大学，通过一些著名的案例研究来教授这些图书馆，最后一课非常精彩，涵盖了很多新材料。UCSanDiego的“DataScienceProjectswithPython”非常全面，课程教授：PythonJupyternotebookspandasNumPyMatplotlibgitscikit-learnNLTK虽然课程还涵盖了机器学习的基础知识，但更重要的是，它教授数据科学库。所有这些课程都在edx.org上免费提供。第4步实用机器学习现在是最激动人心的部分——机器学习。第一个教训很重要。如果不够吸引人，学习者可能会中途放弃。所以这里的所有课程都是高质量的，我们将在开始我们的第一个机器学习课程之前对其进行一些研究。入门课程不教授机器学习，而是向学生介绍一些基本概念。本课程将概述什么是机器学习、它是如何工作的、它的工作流程是什么，以及如何在公司中构建人工智能。该课程还提供了人工智能的完整介绍和概述。该课程由著名的机器学习讲师AndrewNg授课，可在coursera.org免费获取。来源：unsplash接下来是官方内容。无论是谷歌搜索还是浏览任何博客，都可以看到排名靠前的课程是斯坦福大学吴恩达教授的《机器学习》。已有超过250万学生注册了这门课程，并获得了超过200,000名学生的评分(4.9*)。它从非常基本的概念讲授高级概念，使其成为适合初学者的非常全面的课程。本课程的总学时超过56学时。以下是课程目录：线性回归多项式回归逻辑回归多类分类神经网络支持向量机K-均值聚类主成分分析异常检测推荐系统唯一的问题是它是用octave/Matlab教的。这对我来说不是什么大问题，因为它还用各种其他语言毫无问题地阐明了机器学习的所有基本和深层概念，Matlab也是一项额外的技能。这门课程可以在斯坦福大学官网和coursera.org上找到。不用说，这门课程是每个人的必修课。学习完本课程后，您现在需要使用Python来练习您所学的一切，并通过学习提高您的专业水平。因此，Coursera上吴恩达、KianKatanfrosh和YounesBensouda教授的deeplearning.ai也是必修课。该课程有五门课程：神经网络和深度学习改进深度神经网络：超参数调整、正则化和优化构建机器学习项目卷积神经网络序列模型您将从中获得的主要技能是：TensorFlow卷积神经网络人工智能深度LearningwithNeuralNetworks有些人可能不喜欢TensorFlow，或者只是想测试一下TensorFlow的著名竞争对手Pytorch（Facebook），那么您可以选择在Udacity上学习课程。它由Facebook与AmazonWebServices合作提供，包括Udacity著名的1,400美元深度学习“纳米学位”课程的内容。当然，这只是开始，还有很多东西需要学习和发现，但如果开始学习，希望学习者清楚自己的定位和下一步计划。一些建议现在开始收听OCDevel的“机器学习指南”播客。这将提供机器学习的完整概述，包括机器学习细节以及Android和Web应用程序开发人员的机器学习路径之旅。在Kaggle上多练习（一旦你开始机器学习你就会明白这一点）。获取?或2019年10月发布的新版本。本书作者为AurélienGéron。这本书内容丰富，值得推荐。最重要的是要保持信心，一举成功。祝你在学习如何让机器更智能的道路上旅途愉快。
