今天是一点经验分享，包大人当初用这个路子入门机器学习的。
回顾了下我当初入门机器学习方式，发现还是有些特点的。因为是科班出身，所以是那种稳扎稳打，自顶向下，理论结合实践的方式，比较注重用代码实现去理解原理。代码有个好处就是不会骗人，光看理论有种我明白了，但是很模糊，如果结合代码就非常清晰了。用两个字说就是“扎实”。
主要分为原理入门，编程理解，实战应用，三个步骤。其中非常强调过程中的正反馈，和优质的资源。正反馈是长久坚持的动力来源。优质资料是高效正确的保证。
比较反对下面这样囫囵吞枣，良莠不齐，就想着21天从入门到精通的方式。
第一、反对上来就给你推荐python，sklearn，pandas之类的。这些东西往往把细节都藏起来了，容易变成调包侠。
第二、 不推荐任何国内的非知名大学的视频教程。大部分的东西不是抄就是质量太差，有吴恩达的公开课不看去买网课，留着钱买个大鸡腿吃不好吗。
第三、不推荐任何上来就是各种花里胡哨从开发到部署的实战项目，抓住人就想心急吃热豆腐的心理贪图你的钱包。
目标是搞清楚机器学习的基本概念和基本的算法原理。这个阶段的正反馈来自于新知识的获取，原理的理解。不要好高骛远。下面介绍几种入门方法，分别对应看书入门党，看视频入门党，有一些精选的优质资源推荐给初学者。推荐的资源，周志华《机器学习》，李航《统计学习方法》 Peter Harrington 《机器学习实战》吴恩达 Coursra 机器学习公开课
首先看书入门党，周志华和李航老师的西瓜书和统计学习方法都可以，可以快速地看完前几章，不要具体到算法，如果你愿意，看完逻辑回归就可以了，首先明白机器学习问题的定义，其次明白几个关键的名词，训练验证测试，偏差方差，样本，特征，标签。然后去看什么是监督学习什么是无监督学习，大概了解了这些之后，再到具体的算法。再推荐一本书《机器学习实战》绿皮书，这些书的特点就是原理讲的很明白，《机器学习实战》所有的算法都用代码实现了一遍，逻辑清晰很好理解，比那些用sklaern的书强一万倍。
看视频入门党，推荐吴恩达 Coursera 上的《机器学习》，吴恩达老师设计的课程已经非常适合入门了，侧重原理，逻辑清楚，机器学习的细节也面面俱到。
经过上述阶段，你大概对机器学习要解决的问题，使用的方法和适用场景都有所了解了，这时候，你大概对算法的原理也都八九不离十，但是学习原理总是枯燥的，不过一定要坚持下来，千万不要在这个阶段满足于调包。
目标是能够自己动手实现算法的细节而不是用sklearn去调包。正反馈是自己动手从头正确实现机器学习算法。 推荐资源 Peter Harrington 《机器学习实战》吴恩达 Coursra 机器学习公开课编程作业。
这里推荐吴恩达老师机器学习课程的作业，不需要把每个算法都实现一遍，但是要在实践中去理解机器学习的基本算法套路，比如梯度下降是怎么做的，链式法则怎么用程序表达。还有就是《机器学习实战》的配套代码，这本书的最大好处是让你能够用最基本的python语法，从底层上让你构建代码，实现我们常说的比如邮件过滤，数据分类的应用。
很多时候你要写最基本的代码和结构去做这些工作，而不是像sklearn去调用fit 和predit，你能实现算法的底层原理，知道决策树的分割增益计算如何写代码，梯度下降如何写代码，知道机器学习是如何从0到1实现的。
不过这本书比较老旧了，重点也不是讲解理论方面的东西，可以当成第二个阶段的教材，和第一阶段互补。
另外。如果你是NLP方向的同学，可以看一下词向量GloVe的代码实现，为什么推荐GloVe的代码，他是一个用纯c语言写的机器学习做矩阵分解来求解词向量的程序，包含实现随机梯度下降，损失函数定义，数据并行处理等基本的要素，是麻雀虽小，五脏俱全，代码逻辑清晰，涉及到机器学习的方方面面，而且，毫无调包，代码量不大，很容易看懂。
目标是把机器学习应用到实际问题中，加深对算法的理解。正反馈来自于使用机器学习工具来解决实际问题。推荐资源Kaggle。
这时候，你对机器学习的原理，实现都有了解了，但是机器学习毕竟是一门应用的科学，我们通过在实战中学习机器学习。所以这个阶段非常适合打比赛。这里比较推荐Kaggle平台，不推荐国内的竞赛平台，除非你想给自己添堵，被排行榜上各种骚操作吓呆。至于怎么玩kaggle，推荐kaggle kernel上的开源讨论，以及一些比较好的Grand Master的分享。
上面三个阶段，在具体的知识点上可以互相交叉。比如，你看完了逻辑回归，动手实现了一下，然后上kaggle做了一个数据集的任务。不是说非得把所有的长篇大论看完了，这样能更有利于你学习。
如果你有什么特别好的资源推荐，或者入门方法，欢迎放到评论区～
本站qq群955171419，加入微信群请
扫码：
