知乎上有一个关于“机器学习该怎么入门”的火热问题，在从事机器学习研究两年之际，分享一下我的看法。绝对干货哈！本文的宗旨是：1、指出一些自学误区 2、推荐近年精品资料 3、分享切实可行的机器学习入门路线 4、给出进阶/深入研究的方法。0. 背景
本科时我是一个很贪玩的人，几乎每个周末都不在学校待着，掺和在一群骑行、登山、旅行者的队伍中。实验室有一次开组会，老师提到了神经网络，听的我一头雾水。怎么计算机学院的老师，还兼职搞起生物了？到了大三，我想着必须得学点什么了，不然毕不了业，于是选择了入门门槛较低的安卓开发。有几个月，我每天在宿舍啃《第一行安卓代码》，看b站的开发教程。最终做出了几个还过得去的demo，比如订票app和炸弹人小游戏：
空闲时我会写写博客，当时分享的技术内容也已安卓为主。
总的来说，本科时目标比较模糊，机器学习0基础，以被动学习为主；好在考研成功上岸，没有完全荒废。读硕士后，发现身边很多同学都在研究AI，CV、NLP、ASR各行其道，人工智能的烈火烧得正旺。因为我几乎没有任何基础，只能从Python和理论部分学起。来实验室的最初3个月，我每天只做三件事：1.恶补python，2.看Andrew Ng的机器学习启蒙课，3.学习爬虫，帮师兄爬取训练语料。由于做爬虫和文本分析的缘故，我对自然语言产生了兴趣，能让机器懂得文字的含义是很酷的一件事。于是我3个月后，我真正开始接触NLP，从分词、文本分类等底层任务做起。学习到现在2年的时间，我真正喜欢上了NLP研究。在科研和实习过程中，边踩坑，边收获了一些发明专利和顶会论文，认识了很多业界大咖；在前不久的校招中，成功拿下不少大厂的offer。以上是我大学期间的经历。以此为背景，这篇回答的目标读者主要是零基础、想自学入门机器学习的朋友，包括：1. 关于机器学习的误区和陷阱
在分享具体方法前，我先谈谈机器学习的常见误区，其中一些是自己踩过的坑。1.1 盲目报班
在这个日益内卷的时代，得益于机器学习的前沿性和高薪资，很多人还是不顾一切的往“坑”里冲。庞大的市场，让很多AI培训课雨后春笋般涌现。
研一时，实验室的一个同学在网易云课堂花了2000多元报了一门机器学习课程，上了没几节就放弃了。我薅了把羊毛，登他的号去上网课。结果发现每节课不过是用简单的PPT介绍了常见机器学习算法，最后用sklearn开源库跑了一个简单demo。其内容在任何一本机器学习书或免费网课上都能找到。因三分钟热度和优美的文案，很多时候我们稀里糊涂成了任人宰割的韭菜。我的建议是，不要盲目报班。先认真想一想自己是否喜欢算法和编程？如果不确定或不希望盲目消费，建议你先尝试着看完这篇文章。1.2 收集大量资料
关于机器学习的资料和书籍层出不穷。我见过很多同学从网上收集了一堆pdf资料，或者买了一箩筐的书，认真地打开封面，合上，然后再也没有看过。和知乎微调大佬的想法一致，在入门阶段，建议“小而精”的选择资料，选择近期出版且口碑良好的书籍。量不在多，在精。这不仅有助于读者脚踏实地学完这些资料，还能树立信心，集中精力重点突破。在第三部分的机器学习入门阶段中，我会介绍2本书2门网课，进阶阶段推荐了4本书。
这些内容我都认真学习过，如果你不想花钱，我可以帮助你免费学到所有内容。1.3 没打好基础，不敢开始学习
很多书的前言部分，都备注了读者需要具备概率论、编程等各项基础，导致一些同学没打好基础前，不敢开始学习。其实学习本不是一蹴而就的事儿，把高数、概率论、编程全过一边再开始上手机器学习，先不说能不能坚持下来，时间性价比实在是太低了。换句话说，等你做好准备，和你同期开始学习的同学可能已经在大厂入职了。更好的方法是，边学边补，哪里不会补哪里。在实践中学习，更容易保持动力和干劲。1.4 求速成，狂奔式学习
和1.3相反，部分同学期望速成；刷完一节课两本书，会调包，认为自己已然玩捏于机器学习于股掌之中。然而，此言差矣。学习不是百米赛跑而是马拉松。所谓基础不牢，地动山摇。作为技术人，对自身技术负责，既是持续发展的必要条件也是职业道德。作为初学者，需要你稳扎稳打，在不敢开始和急于求成之间，寻找合适的度。2. 前期准备
2.1 软件设备
首先，你需要在电脑上安装好相应的编程环境。以运行python为例，环境搭建方法有直接下载安装包或下载Anaconda发行包，可以选择的集成开发环境有pychram和VSCode，适合大中型项目开发，debug非常方便。但入门阶段，我建议下载Anaconda包，选择交互式笔记本jupyter lab作为编程环境，可以分块查看代码运行结果，不易出错。详细安装过程可以参考：Python安装方法[1]、JupyterLab最全详解，如果你还在使用Notebook，那你就out了！[2]
关于操作系统，首选Linux，对各种模型训练有最好的兼容性，而且使用GPU非常方便。mac和windows系统也可以做很多简单的机器学习实验。实际应用中，开发大型机器学习项目一般通过VSCode或Pycharm，远程接入Linux服务器完成。2.2 硬件设备
个人笔记本电脑是完全可以入门机器学习的。最初1年的学习，我在自己的15年老Mac Air上完成了很多实验分析。
关于一些大型项目，或者涉及神经网络需要GPU显卡加速的情况，最简单的方法是“蹭”实验室或公司的计算资源。如果是咱们学生党，既没钱，实验室计算卡资源又不够用，却入了机器学习的门...别着急，我们还有白嫖方案：3. 机器学习升级打怪
3.1 入门，小试牛刀（精品资料分享） 3-6个月
入门机器学习，前期需要掌握的基础主要包括机器学习算法理论、coding、高数/线性代数/概率论。很多人推荐的《西瓜书》和《统计学习方法》，包含了大量数学推导和证明，我觉得并不太适合零基础的读者入门。结合自身学习经验，关于机器学习我推荐1门网课和1本精品书。网课部分，强烈建议看吴恩达机器学习系列课程。内容侧重于原理和工程实现，对初学者友好。b站就能免费观看[3]。
有了理论基础，coding自然必不可少。下面推荐一本机器学习神书《Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow》。书中介绍了大量经典的机器学习算法，并且都给出了具体的实现案例。换句话说，通过这本书大家不仅收获了原理，还锻炼了编程，将算法进行实践应用，一举多得。Python是学习机器学习必不可少的工具之一。如果你是零基础，建议从《笨方法学python》入手，书中包含了Python最基础重要的知识点。
如果不想看书，推荐一个Python在线学习博客：Python教程。[4]会有同学纠结一开始到底该学哪一门编程语言，C++，Python，Java？其实语言的学习有很多相通之处。可以从相对简单的Python入手，后期结合实际需求，学习其他编程语言。至于高数/线性代数/概率论，我建议你跟着b站up主宋浩老师的课程就足够了[5]，有空时可以多刷几集。宋老师的课幽默风趣，通俗易懂，如果某节课的进度条特别长，不用慌，大概率有段子！学完以上内容，我相信你已经对机器学习从理论和实践上有了初步的认识。前期掌握好基础为后续学习提供了重要保证。对了，高数/线性代数/概率论的内容特别多，学习过程可以贯穿机器学习的各个阶段。
3.2 进阶，初露锋芒（选择细分领域，热身赛）3-5个月
经过入门阶段的学习，这时候大家可以选择性阅读《西瓜书》、《花书》、《统计学习方法》，进一步夯实基础。机器学习包含了众多细分领域，当掌握前期基础后，你可以结合兴趣和实际，选择一个细领域进阶强化。常见领域包括：纯机器学习算法、自然语言处理、图像识别、计算机视觉、语音识别、强化学习等，每个领域又可分为科研和工程两条道路。
我在硕士期间主要从事自然语言处理研究，在进阶和3.3深入阶段，我会以NLP为例进一步谈谈机器学习的i强化路线。NLP常和深度学习挂钩，进阶部分我推荐3本近年的精品书单。第一本是《Python自然语言处理实战》，书中包含分词、命名实体识别、关键词提取、句法分析、情感分析、基于深度学习的NLP算法等，同样是理论和实战相结合的一本书。
另外两本分别是《Python深度学习》和《Pytorch深度学习》，掌握两大深度学习主流框架Keras和Pytorch，能让你方便地上手机器学习和深度学习项目。除了看书，这一阶段我推荐大家参与一个和研究领域相关的算法比赛。比赛平台包括国内的阿里天池、DataFountain、biendata，国际的kaggle等，不仅可以通过一个完整的项目，在实际应用中提升对算法的理解，还可能收获不菲的奖金哦。当然一开始可能会碰到很多问题，这里分享两个秘诀：（1）和小伙伴组队刷比赛，互相交流鼓劲，比单人solo收获更大；（2）通过github、比赛交流群、搜索引擎等途径，主动寻找解决方案。2019年，我和室友参加了科大讯飞举办的应用分类挑战赛。这是我们第一次参加算法比赛，经过2个月的讨论和坚持，获得了第2名，也收获了第一笔比赛奖金。如果没有合适的比赛，可以在博客或Github上找几个合适的项目练手，先参考别人的方法和代码，再自己实现一遍，你的思路一定会清晰很多。进阶阶段，coding能力也得提一提。推荐这本豆瓣评分9.4的《流畅的Python》，阅读时会感觉一个博学但温柔的大叔在跟你侃侃而谈。考虑到咱们学生党资金有限，这儿我再分享一个“薅羊毛”的方法，让你能免费读到这本书！微信读书是一款非常好用的读书app，除了文学小说，很多技术书籍也可以免费阅读。前两天我刚下载了3本和Python有关的精品书。你可以先浏览一下目录，如果有需要再购买纸质版本。
3.3 深入，如鱼得水（比赛 / paper / 实习 / 专利） 4-12个月
恭喜你！经过两个阶段的学习，你已经具备了相当不错的理论和实践基础。不过，在越来越多人涌入机器学习的今天，当前学习的内容还不够用。之前在创业公司实习期间，曾有幸帮助公司面试了超过30位985/211计算机相关专业的同学，给我的一个感触是：虽然从事机器学习的人很多，但真正能在某个领域深入钻研，并有显著学术产出 or 解决实际问题能力的同学，只是少数。对于科研能力强（coding、英文写作、思路敏捷）的同学，可以在CCF-A顶会中发表paper。这是证明自己能力最简洁的方式。同实验室就有硕士期间发表7篇以上A类顶会的巨佬，还没毕业就被阿里高薪挖走了╮(╯▽╰)╭当然，发paper是有一定门槛的；已经参加工作的读者，更是很难挤出时间发表学术论文。如果对自己的实力和精力没有清晰认识，很有可能付出和产出不成正比。
通过实习提升工程实践和解决实际问题能力的门槛相对低一些，是适合大部分同学（例如像我这样零基础）深入钻研的方式。作为商业公司，无论技术多么酷炫，如果不能落地，缺乏足够多的业务支撑，很容易被竞争对手击毙。所以企业对于候选人的实习和项目经历都相当重视。除此之外，在知名比赛中获得Top5，发表发明专利，也是研究产出的优良证明。这两部分我之后会另开文章介绍。切记，无论处于学习的哪个阶段，碰到问题要学会主动学习、主动解决问题，熟练运用Github、技术博客等工具。为了保持技术和视角的前沿性，建议大家适当读一些论文，途径包括订阅Arxiv，关注机器学习顶级会议，如ICML/ACL/NIPS等。4. 心里话
写了快5500字，分享也接近尾声了，还有什么不明白的地方可以在NLP情报局公号后台或加微信告诉我，我都会看到，也会尽力解答。机器学习是一门多领域交叉学科，涉及计算机基础、统计学甚至心理学，从零入门肯定是艰苦的。你需要经历一段孤独、劳累、高饱和的学习奋斗期，打磨好自己的基础，才能和名校或科班出身的同学PK。所谓高风险，高回报，这又是一条非常有前景的道路。因为以机器学习为核心的人工智能是大势所趋，有很大的应用市场。不仅是大厂，很多和新兴科技创业公司都急缺机器学习相关人才；高门槛确保你的薪资待遇不会差。
所以当你内心有目标和梦想的时候，不要害怕失败，勇敢的尝试一次吧。趁年轻，多多学习，给自己多一次机会，有何不可呢！当然，以上内容主要是我自身的学习方法总结，不一定适合所有人。大家还是需要慢下来，好好想一想，调好心态，制定适合自己的学习计划。想好之后，朝着既定目标努力前进吧。正像李宗盛大哥唱的那样，“不经历风雨，怎能见彩虹，没有人能随随便便成功！” 共勉。参 考 文 献
[1] Python安装方法：https://zhuanlan.zhihu.com/p/345932168[2] JupyterLab最全详解，如果你还在使用Notebook，那你就out了！：https://zhuanlan.zhihu.com/p/154515490
[3] 吴恩达机器学习系列课程：https://www.bilibili.com/video/BV164411b7dx?p=1
[4] Python教程：https://www.liaoxuefeng.com/wiki/1016959663602400
[5] 宋浩高数/概率论/线性代数：https://search.bilibili.com/all?keyword=%E5%AE%8B%E6%B5%A9&from_source=nav_suggest_new
由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：
（1）点击页面
最上方"AINLP"，进入公众号主页。
（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。
感谢支持，比心
。
进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注NLP技术交流
推荐阅读
这个NLP工具，玩得根本停不下来
完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）
从数据到模型，你可能需要1篇详实的pytorch踩坑指南
如何让Bert在finetune小数据集时更“稳”一点
模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法
文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化
Node2Vec 论文+代码笔记
模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结
中文命名实体识别工具（NER）哪家强？
学自然语言处理，其实更应该学好英语
斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。
阅读至此了，分享、点赞、在看三选一吧🙏
