如何自学人工智能？
分类：正规代生地址
浏览：26℃
发布于：3年前 (2023-08-23)
最近不少同学摩拳擦掌，想投入AI的怀有，但苦于不知怎样下手。其间，人工智能的中心便是机器学习（MachineLearning），它是使估算机具有智能的根本途径，其运用广泛人工智能的各个范畴。
咱们今日就来共享一篇来自EliteDataScience上专门讲给机器学习入门自学者的教程，一步步教你怎样从根底小白进阶为ML大拿。快上车吧，别找硬币了，这趟车不要钱！
你是否正在预备自学机器学习，但又不知道怎样去学？
今日咱们在这篇文章里就教你怎样免费取得世界级的机器学习教育，你既不须要有博士学位，也不必是技能大牛。不论你是想成为数据科学家仍是在开发中运用机器学习算法，其实你都能比幻想中更快地学习和运用机器学习。
本文告知你在机器学习之路上的几个进程，保你不会走失，下面开端咱们的扮演。
第一步：先搞懂什么是机器学习
在闷头学习机器学习之前，最好先把什么是机器学习搞清楚，了解机器学习的根本概念。
容易来说，机器学习便是教电脑怎样从数据中学习，然后做出决议计划或猜测。关于真实的机器学习来说，电脑必须在没有清晰编程的状况下能够学习辨认模型。
机器学习归于估算机科学与计算学的交叉学科，在多个范畴会以不同的面貌呈现，比方你应该听过这些名词：数据科学、大数据、人工智能、猜测型剖析、估算机计算、数据发掘······
尽管机器学习和这些范畴有许多堆叠的当地，但也不能将它们混杂。例如，机器学习是数据科学中的一种东西，也能用于处理大数据。
机器学习本身也分为多个类型，比方监督式学习、非监督式学习、增强学习等等。例如：
想了解机器学习的入门常识，能够看看一些网络课程。关于想对机器学习范畴的要点慨念有个根底的了解的人来说，吴恩达教授的机器学习入门课程肯定必看：戳这儿。
以及“无人车之父”SebastianThrun的《机器学习入门》课程，对机器学习进行了详细介绍，并辅以许多的编程操作协助你稳固所学内容：戳这儿。
当然也少不了集智君收拾制造的免费专栏，在这儿你能够免除装置环境的烦恼，直接投入容易地机器学习操练中来：
边看边练的机器学习简明教程
这些课程都是免费的哦！
大约了解机器学习后，咱们就来到常识预备阶段了。
第二步：预备常识
假如没有根本的常识储藏，机器学习的确看起来很吓人。要学习机器学习，你不必是专业的数学人才，或许程序员大牛，但你的确须要把握这些方面的中心技能。
好消息是，一旦完结预备常识，剩余的部分就适当简略啦。实践上，机器学习根本便是将计算学和估算机科学中的概念运用在数据上。
这一步的根本使命便是确保自己在编程和计算学常识上别掉队。
2-1：用于数据科学中的Python编程
假如不明白编程，是无法运用机器学习的。幸亏，这儿有份免费教程，教你怎样学习运用于数据科学中的Python言语：戳这儿。
注：景略集智再弥补三个资源：
[Python入门]01根本规律
从零学习数据科学中Python的彻底攻略
以及40多个Python学习资源的汇总文章
2-2：用于数据科学的计算学常识
了解计算学常识，特别是贝叶斯概率，关于许多机器学习算法来说都是根本的要求。这儿有份学习数据学习中计算学常识的教程：戳这儿。
2-3：须要学习的数学常识
研讨机器学习算法须要必定的线性代数和多元微积分常识作为根底。点这儿，获取一份免费学习教程：戳这儿。
第三步：敞开“海绵形式”，学习尽或许多的原理常识
所谓“海绵形式”，便是像海绵吸水相同，尽或许多地吸收机器学习的原理和常识，这一步和第一步有些类似，但不同的是，第一步是对机器学习有个开端了解，而这一步是要把握相关原理常识。
或许有些同学会想：我又不想做根底研讨，干嘛要把握这些原理，只需会用机器学习东西包不就行了吗？
有这个疑问也很正常，可是关于任何想将机器学习运用在工作中的人来说，学习机器学习的根底常识十分重要。比方你在运用机器学习中或许会遇到这些问题：
数据搜集是个十分耗时耗力的历程。你须要考虑：我须要搜集什么类型的数据？我须要多少数据？等此类的问题。
数据假定和预处理。不同的算法须要对输入数据进行不同的假定。我该怎样预处理我的数据？我的模型对缺失的数据牢靠吗?
解说模型成果。说机器学习便是“黑箱”的观念显着是过错的。没错，不是一切的模型成果能直接判读，但你须要能够判别模型的情况，从而完善它们。我怎样确认模型是过度拟合仍是不充分拟合？模型还有多少改善空间？
优化和调试模型。很少有人刚开端就得到一个最佳模型，你须要了解不同参数之间的细微差别和正则化办法。假如我的模型过度拟合，该怎样批改？我应该将几个模型组合在一起吗？
要想在机器学习研讨中回答这些问题，把握机器学习的常识原理必不可少。这儿引荐两个世界级的机器学习课程，必定会让你获益良多：
哈佛大学的机器学习课程，让你了解从数据搜集到数据剖析的整个流程：戳这儿。
斯坦福大学的机器学习课程，清楚地讲解了机器学习的中心概念：戳这儿。
还有两部值得读的参阅书本：《计算学习导论》和《计算学习根底》
这两部书的英文原版下载地址：
《AnIntroductiontoStatisticalLearning》
《ElementsofStatisticalLearning》
注：看不惯英文原版的同学，能够去读这两本书的中文版。
集智也主张咱们能够多逛逛Reddit上的机器学习论坛：
机器学习版块1
机器学习版块2
机器学习版块3
当然，Quora上的机器学习版块也很有料：戳这儿。
逛论坛不简略看到高阶常识，你不能一向停留在菜鸟阶段不是，要晋级就有必要看看专业的论文。arXive是个好去处，是个搜集物理学、数学、估算机科学与生物学的论文预印本的网站。
人工智能版块
机器学习版块
假如嫌自己查找论文太费事，能够在网站上注册一个账号，它能够按自己的感兴趣标签给你推送最新的arXive上的论文。
第四步：针对性实践操练
在敞开“海绵形式”后，你应该把握了机器学习的根底理念常识，接着就该实践操作了。实践操作主要是经过详细的、深思熟虑的实践操作增强你的技能。本步方针有三个：
操练机器学习的整个流程：搜集数据，预处理和整理数据，树立模型，操练和调试模型，评价模型。
在真实的数据集上实践操作：关于什么样的数据适合用什么类型的模型，自己应逐步树立这方面的判别能力。
深度探求：例如在上一步，你学习了许多机器学习算法常识，在这一步就要将不同类型的算法运用在数据会集，看看哪个作用最好。
完结这一步后，就能够进行更大规划的项目了。
4-1九个根本部分
机器学习是一个十分广泛和丰厚的范畴，几乎在每个职业都有运用。由于要学习的东西太多，初学者很简略发慌，并且在面临许多个模型时也很简略迷失，看不到全局。
因而，咱们把机器学习大约划分为九个部分：
ML全体学习:
根本的机器学习原理，比方方差权衡这些常识。优化：
为模型发现最优参数的算法。数据预处理：
处理缺失数据、偏态散布、异常值等。取样和拆分：
怎样拆分数据集来调整参数和防止过度拟合。监督式学习：
运用分类和回归模型从符号数据中学习。非监督式学习
运用要素和集群剖析模型从非符号数据中学习。模型评价
依据不同的功能衡量做出决议计划。集成学习
将不同模型相结合，到达更好的功能。商业运用
机器学习怎样协助不同类型的商业事务。4-2实践东西
关于初学者，咱们主张选用现成可用的算法，这样能够把时刻用在了解机器学习流程上，而不是写算法。依据你运用的编程言语，有两个不错的东西：
Python的Scikit-Learn：戳教程
R言语的Caret：戳教程
4-3使用数据集实践操作
在这步须要用数据集进行树立和调试模型的实践操作，也便是将你在“海绵形式”阶段学到的理论转变为代码。咱们主张你挑选UCIMachineLearningRepo，Kaggle和：
UCIMachineLearningRepo
Kaggle数据集
DataGov数据集
第五步：机器学习项目
总算到了终究一步，也是很有意思的一步。目前为止，咱们现已完结了：常识储藏、把握根本原理、针对性操练等阶段，现在咱们预备探求更大的项目：
这一步的方针便是操练将机器学习技能运用于完好的端到端剖析。
使命：完结下面的项目，顺次从易到难。
5-1：“泰坦尼克号”幸存者猜测
“泰坦尼克号”幸存者猜测是操练机器学习时适当盛行的挑选，并且有十分多的教程可供参阅。
Python教程1
Python教程2
R言语教程1
R言语教程2
5-2从零开端写算法
咱们主张你先以一些容易的方面写起：逻辑回归、决议计划树、k最近邻算法等。
假如中心卡住了，这儿有些小技巧能够参阅：
维基百科是个不错的资源库，供给了一些常见算法的伪代码。
能够看看一些现成ML东西包的源代码，取得创意。
将算法分为几部分。写出取样、梯度下降等的别离函数。
在开端写整个算法前，先写一个容易的决议计划树。
5-3选个风趣的项目或自己感兴趣的范畴
其实这应该是机器学习最棒的部分了，能够使用机器学习完结自己的主意。
假如真实没想到好点子，这儿有8个风趣的初学者机器学习实践项目：戳这儿。
结语
假如你依照这个进程一步步厚实学习的话，信任你终究必定在机器学习方面小有成就！
咱们对初学机器学习的人还有10个小小的tips：
为自己设定学习方针和期限，极力完结。
打好学习根底，把握根本理论。
试着自己从头写几个算法。
多角度思考问题，找到自己感兴趣的实践项目。
多想想每个算法能发生什么价值。
不要信任科幻电影中对ML的胡吹。
别过度理睬网上关于ML常识的争辩。
多想想数据的“输入/输出”，多问问“为什么”。
上集智，第一时刻将自己晋级→→集智
终究，祝同学们学有所成！
注：原文为英文，因而罗列的学习资源多为英文。假如忧虑自己英文欠好其实也不要紧，由于学习思路是相同的，在相应阶段寻觅中文学习材料就ok了。
参阅文献：K码农-
本文暂无评论 - 欢迎您