机器学习：从入门到精通，总有一款教程适合你！

（文/Itsukay）近年来人们对机器学习的认识也越来越多，很多人都希望学习相关的知识。但机器学习不是一个容易学习的领域，需要选择适合自己难度的学习资料。这里简单地将学习深度分为三个阶段，建议选择适合自己的难度。

初级阶段

了解。机器学习是什么？了解机器学习的应用，并对机器学习有较为概念性的了解。适合非机器学习相关专业、希望对机器学习有大概了解的人群，比如产品经理。

中级阶段

应用。知道怎么实现机器学习，能使用编程语言编写基础的机器学习算法，并对数学原理有初步理解。适合与机器学习相关，但是数理知识不足、或者只需掌握大概原理的人群，比如程序员。

高级阶段

学术。了解机器学习算法的原理，希望不止于掌握机器学习算法的原理、编写机器学习算法。适合相关专业的在校生，比如计算机系本科生、研究生。

初级阶段教程

先修知识

1-首先，英语能力非常重要，你需要起码有高中的英语水平，并且敢于应对英文资料，又不是不能学，又不是学不会。英语的重要性不用多说，就机器学习而言，2011年便开始流行起来，但是目前很多机器学习领域重要的书籍还没有中文翻译。网络上优秀的机器学习资源基本基于英语教学。但是对于英语真的不用怕，一遍看不会可以看多一遍，不认识的单词查词典就是。不用闭卷考试，随时都可以查词典。

2-能用 Python 编写简单的程序，相当于学习完 Codecademy 的 Python 教程，预计耗时13小时。或《笨方法学 Python》前40章，耗时也不会很大。英文原版：Learn Python the Hard Way

3-非常基础的矩阵知识：可汗学院的课程，从矩阵简介学到矩阵乘法（二），大约耗时1小时。

选修资料

Command Line，这个就是电影里面那些（可能是）酷酷的人操作电脑的方式，把教程过一遍就可以。

学习资料

1-《从机器学习谈起》

非常不错的介绍。

地址：http://www.cnblogs.com/subconscious/p/4107357.html

2-机器学习基础：案例研究（Machine Learning Foundations: A Case Study Approach）





华盛顿大学的课程，两位教授的头衔是 Amazon Professor of Machine Learning。课程教学结构合理，每周课程分为概念、方法介绍和实际应用两个部分，学完基本的的概念和方法、就可以马上应用课程准备好的机器学习库体验一番。对于初学者来说非常有益。（果壳评分：8.1分）

中级阶段教程

先修知识

英语比之前有长进。

学习资料

A 线路：Machine Learning

这门课程由由百度首席科学家，前 Google Brain 负责人之一 Andrew Ng（吴恩达）教授，不会涉及很深的数学，学习这门课程需要有高中知识预备。课程有中文字幕。（果壳评分：9.6分）

B 线路：机器学习专项课程（Machine Learning Specialization）

如果你是从初级学习到此，可以尝试本系列课程。初级里面的 Machine Learning Foundations: A Case Study Approach 就是本系列的第一门课程，是整个系列课程总概，从第二门课程开始，你将要自己编写机器学习算法。不过课程有着非常详细的教程引导，认真学习肯定可以通过课程，内容上会比A 线路的详细。



选修资料

《集体智慧编程》（Programming Collective Intelligence ）

听说是一本不错的书，很多人推荐。

高级阶段教程

先修知识

复习以下数学课程：

线性代数 Linear Algebra Review and Reference

概率论 Probability Theory Review

有不会的可以去 MIT OCW 补课。

编程方面，具体课程具体要求不同。通常使用的是 MATLAB 或 Octave，Octave 是一款 和 MATLAB 类似的变成语言，但 Octave 免费开源。教程：MATLAB, Octave. 当然也有些课程使用 Python。另外一般需要有对算法的基本认识，可以学习王子屯私塾的算法课程:Algorithms, Part I，Algorithms, Part II 或者直接看教材 Algorithms，也可以学习 MIT 的 《算法导论》。

学习资料

A 线路：从数据中学习（Learning From Data）

加州理工学院原版课程，没有因为要适应大众降低难度，不可多得的机器学习入门课程。教授为这门课程建立了一个网站，上面有关于课程的各种资料，还有讨论论坛，学习环境也不可多得。（果壳评分：8.5分）

B 线路：

机器学习（Machine Learning），Stanford 公开课

Andrew Ng 早些年在 Stanford 授课的录像，也是校园原版课程。

机器学习中使用的神经网络（Neural Networks for Machine Learning）

多伦多大学，Coursera

学习完上面其中一门，可以考虑学习神经网络，由深度学习的开山鼻祖 Geoffrey Hinton 教授。（果壳评分：8.5分）

其他建议

学习建议

学习氛围对于学习来说非常的重要。有无一个班级、小组一起学习，最后收获的差别可能会非常的大。在学校的学生他们有小组讨论，做小组 project 等等学习活动，在这些过程中，毫无疑问收获是非常大的。所以建议即使是自学，也尽量加入一个学习小组一起学习，大家都一起学习交流，收获定会更大。

查找学习资料的技巧

现在大学很多课程都有自己的课程网站，提供学习资料给学生下载，比如作业、习题、lecture notes 等，可以尝试去这些课程网站找找学习资料。比如 Stanford 的 Machine Learning 网站，打开Handouts and Materials, 各种资料应有尽有。

其它相关领域的课程：

Natural Language Processing 自然语言处理（Coursera）

Recommender Systems 推荐系统（Coursera）

Data Science 数据科学（edX）

貌似由于数据科学是新出现的学科，现在还没有什么好的课程。edX 数据科学系列的课程由 Columbia 21名教授参与***，我想应该不会差。