作者：仵荣鑫 (厦门大学)
邮箱：rxwu_cn@163.com
编者按：机器学习作为人工智能的重要分支，受到人们的广泛关注。机器学习是一门多领域交叉学科，掌握机器学习技术是一项重要且充满挑战的任务。为此，编者梳理了知乎答主们对机器学习的建议。
温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：
目录
1. 技能准备
2. 入门学习
3. 进阶提升
4. 深度学习
5. 学习建议
6. 相关推文
1. 技能准备
刚开始接触机器学习，需要做一些必要的技能储备，过三关：英语、编程与数学。首先，英语需要具备阅读与听力能力。当前主流的书籍、期刊等资料大多是英文为主，我们无法避免地要看很多英文资料。
其次，关于编程语言，首推 Python，因为其良好的拓展支持性，主流的工具包都有 Python 版本。在特定情况下，选择 R 作为编程语言也是可以的。编程语言学习推荐：
- Programming for Everybody: Python
- Learn R with R tutorials and coding challenges: R
最后，数学包括微积分、线性代数与统计学，可通过教育性非营利组织「可汗学院」学习。数学建议先搞定线性代数，推荐以下课程：
- 斯特朗教授的课程由浅入深，环环相扣：完整版-麻省理工-线性代数-全34讲+配套教材
- 配合斯特朗教授的其他课程学习，效果事半功倍：MIT《数据分析、信号处理和机器学习中的矩阵方法》课程
统计学习是机器学习的基石，推荐以下课程：
- Stanford : Statistical Learning 斯坦福大学：统计学习
2. 入门学习
刚迈入机器学习的大门，需要有适合的学习途径：视频、书籍与动手。机器学习视频入门首选：
- Machine Learning by Andrew Ng
吴恩达老师的这门课可以加快学习进度，但不要跳过练习题，练习题非常有价值，虽然并非用 Python 写的 (而是 Matlab/Octave)。如果你不想学 Matlab，那么最好找点别的用 Python 习题练练手。当然，以下课程也非常不错：
在学习视频时，推荐阅读两本非常好的入门书籍：
- Python 机器学习 (作者 Sebastian Raschka)：阅读本书可以快速对如何使用 Python 机器学习框架 Sklearn 有一个基本的了解，可以很快上手开始工作；
- An Introduction to Statistical Learning with R (ISL)：ISL 是 The Element of Statistical Learning (ESL) 的入门版，不仅大量去除了繁复的数学推导，还加入了 R 编程的部分，方便大家可以尽快上手。
入门书籍推荐还强推：
-
周志华老师的《机器学习》：人称西瓜书，是经典入门教材之一，是一本大而全的书！内容中有用到西瓜举例子。建议和《南瓜书》一起看；
- 李航老师的《统计学习方法》：这本书对机器学习原理的解释、公式的推导非常详尽，相信看完这本书，不会再说机器学习是玄学了。建议配合「白板推导系列」学习。
学习理论后，做一些基于 Python 的动手练习：
- Python 教程-廖雪峰的官方网站：教程质量很好，没有必要全看完，大概了解 Python 的基础语法即可，这步是为下面的练习做准备；
- 《机器学习实战》(作者 Peter Harrington)：这本书基于 Python 对一些主要的机器学习算法进行了代码实现。一定要照着敲一遍。
3. 进阶提升
实战热身：
- 《利用 Python 进行数据分析》(作者 Wes McKinney)：
numpy 与 pandas 是 Python 进行处理数据的两个关键库，这本书讲解了这两个库的使用方法； - scikit-learn: machine learning in Python 是 Python 上最流行的机器学习/数据科学工具包。比较推荐的方法是把主流机器学习模型 Sklearn 中的例子都看一遍。Sklearn 的文档不仅提供了练习数据、sklearn 的相关代码实例，还提供了可视化图；
- 机器学习实战：基于 Scikit-Learn 和 TensorFlow：为数不多的把理论和实践相结合的比较棒的书，尤其是代码部分！
实战平台：
- kaggle：Your Home for Data Science；
- 推荐一篇不错的文章：Kaggle 入门，看这一篇就够了；
- 如果是新手，建议把 Titanic 项目玩一次：Titanic-Machine Learning from Disaster；
4. 深度学习
深度学习推荐以下视频课程：
- 吴恩达：深度学习课程，网易云课堂上线了这门课的中文版。
深度学习的几个大应用，自然语言处理、自然语言理解、深度视觉算法：
- 自然语言处理：2019 最新斯坦福大学 CS224n 深度学习自然语言处理课程
- 斯坦福大学 CS224U：自然语言理解 2019 最新课程
- 斯坦福 CS231n 《深度视觉识别》课程 (2017)
深度学习的书籍推荐两本，一本理论性强的，一本实践性强的：
- Deep Learning：由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位大牛合著的非常权威的一本书，也是后来出版的深度学习书籍的参考；
-
《动手学深度学习》：深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。
更多深度学习的干货：
- 机器学习 (Machine Learning) 与深度学习 (Deep Learning) 资料汇总
5. 学习建议
自学机器学习的误区和陷阱：
将技能落在实处，防止练就一身屠龙之技。机器学习最大的幻觉就是觉得自己什么都懂了，但等到真的使用时发现并不奏效。如果此刻燃起了学习机器学习的热情，就请赶快行动！
6. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh 机器学习, m
安装最新版 lianxh 命令：
ssc install lianxh, replace
- Semantic scholar：一款基于机器学习的学术搜索引擎
- Stata-Python交互-7：在Stata中实现机器学习-支持向量机
- MLRtime：如何在 Stata 调用 R 的机器学习包？
🍓 课程推荐：连享会：2025CGE 专题：理论与实操·网络直播
嘉宾：贾智杰 (西安交通大学)
时间：2025 年 11月23日、30日, 12月7日
咨询：王老师 18903405450（微信）
连享会微信小店上线啦！
Note：扫一扫进入“连享会微信小店”，你想学的课程在这里······
New！ Stata 搜索神器：lianxh 和 songblGIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all
🍏 关于我们
- 直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。
