【原】入門機器學習的路線圖，國外優質資源推薦

機器學習如何入門？大家應該也看過很多路線圖了，今天向大家介紹towardsdatascience上一個博主推薦的機器學習入門步驟和課程，看看國外的小伙伴是怎么學習的。

https:///beginners-learning-path-for-machine-learning-5a7fb90f751a

提醒一下：
?每個人的基礎不一樣，沒有必要一定按照這個順序學習。
?本文并非完整翻譯，我加了一些對課程的介紹和評價。
?感興趣的課程可以自行去小破站找資源，大部分應該已有搬運了。
?無需迷信，其實國內也有很多優秀的公開課，這個有機會另起一篇再做介紹。

??第一步：基礎編程 

??哈佛大學的最受歡迎的課程之一：CS50，面向編程初學者，內容包括基本的計算機知識以及基礎算法，常見的編程語言。

https://www./course/cs50s-introduction-computer-science-harvardx-cs50x

??如果想直接開擼Python，可以考慮麻省理工學院計算機科學導論。這門課用了不少的篇幅講計算機科學、數據結構、編程思維方面的內容。另外，本課是Python3.5教學，重點偏解決實際問題。

??對面向對象編程不太熟悉的同學，還可以選擇性看一下《Computing in Python》，主要介紹有關遞歸，搜索和排序算法以及Python中的面向對象編程。

https://www./course/computing-in-python-iv-objects-algorithms

??數據結構和算法也是必須要學的，這一塊很多轉行的同學比較容易忽視，推薦微軟出品的一門公開課。https://www./course/algorithms-and-data-structures

??也可以選擇加州大學的數據結構與算法專項課程，內容上比微軟的更豐富、更深入，相應的學習周期也會更長、難度也更大，可以根據自身實際情況二選一。

https://www./specializations/data-structures-algorithms

??第二步：數學

機器學習中的數學部分可淺可深，作為入門掌握向量，矩陣，微積分，概率和統計即可，可以在khanacademy.org搜索相關課程（注：網易公開課上有很多已翻譯的可汗公開課），不過這些課程都是純基礎，沒有和機器學習相結合。

??敦帝國學院的《機器學習專業數學課》很不錯，分為三個部分，線性代數、多元微積分和PCA：

https://www./learn/pca-machine-learning https://www./learn/multivariate-calculus-machine-learning
https://www./learn/linear-algebra-machine-learning/

??麻省理工學院有一門很不錯的統計學課程 https://www./course/fundamentals-of-statistics-2

??想走捷徑的同學可以考慮微軟出的《機器學習的基本數學：Python版》，亮點使用python著名的庫Numpy，pandas，matplotlib以圖形方式教授數學。

https://www./course/essential-math-for-machine-learning-python-editi-2 

??統計學方面薄弱的同學可以考慮Udacity上的3個統計學專免費課程 https://www./course/intro-to-statistics--st101 https://www./course/statistics--st095 https://www./course/intro-to-inferential-statistics--ud201

??第三步：工具包

線代、微積分、概率統計搞定之后可以重點學一下Python中的Numpy，Pandas，Matplotlib，Scipy。這部分推薦幾個課程，選擇性看一兩個就行（建議直接看最后一個，加州大學那個）。

??密歇根大學的《Python統計專業化課程》https://www./specializations/statistics-with-python

??密歇根大學的《Python數據科學概論》，這個偏數據分析，重點講了numpy和pandas 

https://www./learn/python-data-analysis?specialization=data-science-python

??哈佛大學的《Python for Research》，特色是有很多案例

 https://www./course/using-python-for-research

??加州大學的《Python for Data Science》，這門課內容比較全面，包括：Jupyter notebooks、pandas、NumPy、Matplotlib、git、sci kit-learn、NLTK等。

https://www./course/python-for-data-science-3

??第四步：實用機器學習

??沒什么好說的，首推吳恩達的《機器學習》，必須學，不解釋
https://www./learn/machine-learning? 

??然后就可以去deeplearning.ai學習如下幾門（鏈接不貼了，自行搜索吧）

• Neural Networks and Deep Learning
• Improving Deep Neural Networks: Hyper-parameter tuning, Regularization, and Optimization
• Structuring Machine Learning Projects
• Convolutional Neural Networks
• Sequence Models