原作：马苏姆·哈桑

文耕编译

由Qubits 制作|公众号QbitAI

如何开始机器/深度学习？

要回答这个问题，首先要考虑的问题是：你有多少时间？

三个月准备上手，和一个月想要上手，绝对是完全不同的路。当然，我建议你慢慢来，至少花五个月的时间来学习机器学习的基础知识。

基础很重要，知其所以然也很重要。毕竟，工具总是在改进，更好的深度学习技术每个月都会出现，但基础知识保持不变。

五个月如何开始？以下是分三部分的详细指南。 （而且，如果你真的时间不够，最后还有一个快速指南）

五个月的介绍第1 部分：从机器学习开始（两个月）

最好的入门教程是Andrew Ng 教授的机器学习。吴恩达的这门课程已经发布很长时间了。虽然它在某些地方稍微有些过时，但相信我，没有任何公开课程可以比吴恩达更好地教授它。从字面上看，到课程结束时我几乎哭了。

这门课程可以说适合任何水平的学生。当然，您最好知道如何将两个矩阵相乘并对编程有一些基本的了解。

这套课程可以通过门户网站在Coursera 上学习：

https://www.coursera.org/learn/machine-learning

您还可以通过门户网站观看互联网上的公开课程：

http://open.163.com/special/opencourse/machinelearning.html

如果您有时间，请务必完成整个课程。如果时间紧迫，至少要听前五课，其余的可以暂时跳过。

吴恩达的机器学习课程深入讲解了经典的机器学习模型，例如线性回归、逻辑回归、神经网络、支持向量机、PCA、无监督学习等。大多数重要概念都以简单易懂的方式呈现。以理解的方式。

课程延伸

当您进入第五课时，即开始讨论神经网络时，建议开始查看与课程平行的外部材料。比如3bule1brown推出的神经网络讲解视频。推荐必看。

YouTube 门户：

https://youtu.be/aircAruvnKk 列表=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi

或者您可以去B站查看：

http://space.bilibili.com/88461692/#/

这是一个例子：

另外，我认为吴恩达在谈论神经网络时有点快，所以我建议阅读一些额外的信息。例如，有关神经网络和深度学习的免费在线书籍会很棒。

门户网站：

http://neuralnetworksanddeeplearning.com/

作者Michael A. Nielsen 以简单直观的方式探索了神经网络的每一个细节。建议与Ng 的课程同时阅读本书的前两章。当您熟悉更多概念并开始从事深度学习时，您可以阅读本书的其余部分。

如果你英语不好，这本书《神经网络与深度学习》还有中文翻译版本，可以在线免费查看。

感谢翻译者，传送门在这里：

https://tigerneil.gitbooks.io/神经网络和深度学习-en/content/

学习完这一部分后，您将能够理解机器/深度学习的许多概念。最后，我推荐阅读Christopher Olah的博客，非常有趣。

传送门：http://colah.github.io/

第2 部分：参与深度学习（1 个月）

在开始学习深度学习之前，最好温习一下大学数学。伊恩·古德费洛(Ian Goodfellow) 的传奇《花之书》《深度学习》 简洁地总结了最重要的主题。

建议您尽可能深入地阅读有关线性代数、概率论和信息论的章节。每当你在阅读论文时遇到深度学习概念时，你都可以在书中找到参考资料。

此外，这本书还有在线版本。

例如，英文版本在这里：

https://github.com/janishar/mit-deep-learning-book-pdf/blob/master/complete-book-bookmarked-pdf/deeplearningbook.pdf。

中文翻译版本在这里：

https://github.com/exacity/deeplearningbook-chinese

网上有很多关于深度学习的信息，你可能会眼花缭乱。

再次，我认为最好的选择是听Ng Enda的《深度学习专项系列课程（Deep Learning Specialization）》。

Coursera 门户：

https://www.coursera.org/specializations/deep-learning

网易云课堂入口：

https://mooc.study.163.com/smartSpec/detail/1001319001.htm/

本课程由五个主要章节组成。它实际上不是免费的，您可以每月支付50 美元购买。当然，如果你负担不起，也可以申请“助学金”。申请时请详细说明理由。处理时间大约需要15天。

当然，不收费，而且大部分内容都可以观看。除了视频部分，在很多地方也可以免费观看。

这五门课程主要涵盖：

1.神经网络和深度学习（4周）

2. 改进深度神经网络（3周）

3. 结构化机器学习项目（2周）

4. 卷积神经网络（4周）

5. 序列模型（3周）

前三门课程涵盖一般神经网络和深度学习，第四门和第五门课程涵盖特定主题。如果你打算搞视觉，一定要听第四课；如果你打算从事NLP、音频等，一定要听第五课。但如果你需要听第五课，那么建议你也仔细听第四课。

我想鼓励大家，课程中每周的内容其实一两天就能学会，所以不要被课程安排吓倒。劳逸结合，提高效率。

一旦你了解了这一点，你实际上可以去http://neuralnetworksanddeeplearning.com/查看第3章到第6章的内容来强化你的概念。如果还有不明白的地方，请前往Olah的博客。

并且，这个时候你就得开始阅读深度学习论文，并从中学习知识。深度学习有一个很强的特点，那就是内容很新，看论文是跟上时代的唯一途径。如果你不想落后，那么你最好养成看论文的好习惯。

第3 部分：深度学习入门（两个月）

学完这些后，你应该对机器学习和深度学习中的大多数概念有正确的理解。现在是时候进入沸腾的现实生活了。

要练习深度学习，最好的资源是fast.ai。

门户网站在这里：http://course.fast.ai/

他们在流行的深度学习工具PyTorch 上构建了一个库，只需几行代码即可实现世界一流的性能。

fast.ai 的理念有点不同。 Ng Enda等老师的教学方法是自上而下，先教后做。 Fast.ai提倡自下而上，先干了再谈。

因此，在他们的课程中，第一部分将带您构建一个强大的图像分类器。训练自己的模型的兴奋感会激励您完成课程的其余部分。

另外，推荐两门课程。

来自斯坦福大学的CS231n 和CS224n。 CS231n 专注于计算机视觉的深度学习，而CS224n 专注于序列建模。

CS231n，李飞飞等人主讲。

官网传送门：http://cs231n.stanford.edu/

CS224n，目前由Richard Socher 教授。

官网传送门：http://web.stanford.edu/class/cs224n/

以前的课程也可以在线观看，并配有中文字幕。你可以自己搜索一下。

为期五个月的机器/深度学习介绍到此结束。

希望大家能够踏踏实实做事，打牢基础。

最后，兑现最初的承诺。如果你确实时间紧迫，必须尽快开始机器/深度学习，那么请参阅——

快速指南我最多只有两个月的时间

1. 在完成吴恩达机器学习课程的前五周内，您将需要进行编程练习。

2.观看3Blue1Brown的视频。

3.完成Ng Enda系列特色深度学习课程并做练习。

4. 如果您想处理图像，请参阅专题课程的第四讲。如果您想研究NLP 或序列数据，请转到第5 讲。

5. 搜索您感兴趣的开源实现。如果您还没有决定使用哪种语言，我推荐Keras。然后根据需要迁移到TensorFlow 或PyTorch 框架。

我，只有一个月

30天内上手是非常困难的。除非，你只是想了解机器学习是如何工作的，然后将其应用到你自己的项目中。

如果是这种情况，这里有一些快速建议：

1. 浏览吴恩达机器学习课程第1-5 周的课程，观看视频并掌握概念。第三周可以跳过MATLAB/Octave 课程。

2.观看3Blue1Brow的视频。

3. 浏览吴恩达深度学习系列的第一课，即神经网络和深度学习。

4.如果想做图像处理项目，可以看看Nielsen的书第6章：http://neuralnetworksanddeeplearning.com/chap6.html

如果您需要有关序列建模的一些想法，请查看Olah 的博客：http://colah.github.io/posts/2015-08-Understanding-LSTMs/

5. Siraj Raval 制作了许多有趣的视频，涵盖大多数机器/深度学习主题。门户网站在这里：https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A

6.搜索您感兴趣的开源实现，并随时调整它们以满足您的需求。如前所述，我建议您从带有TensorFlow 后端的Keras 语言开始。

其他资源YouTube 上有一个两分钟的论文阅读系列视频，可以帮助您快速了解全球深度学习最热门的发展。

如果您关注机器学习领域的进展，Twitter 是一个出色的工具。

当你遇到困难时，请记住，Reddit 和Facebook 上有很多志同道合的人。不要犹豫向社区寻求帮助，每个人都会伸出援助之手。

结论机器学习和深度学习是当今世界上最令人着迷的技术之一。而该领域的深度学习专家始终供不应求。从职业角度来看，深度学习非常有吸引力。

需要提醒的是，与计算机科学的其他领域不同，深度学习的资源还不够丰富。很多时候你会遇到失败和挫折。不要灰心。你可以向更多人寻求帮助。很多人愿意伸出援助之手，每个人都在学习。

关于机器/深度学习存在一种误解，认为您需要计算机科学背景才能学习它。这不是真的，您确实需要一些编程思维才能开始，但仅此而已。现在机器学习领域的许多专家都来自其他研究领域。

如果您有计算机科学背景，那么这是一个很好的起点。但如果你来自其他学科，追赶并不难。

感谢您看到这个。

如果您有任何疑问或建议，请留言。如果你想直接联系本文的热心原作者，这里是传送门：

https://medium.com/@youngladesh/absolute-beginners-guide-to-machine-learning-and-deep-learning-7fa032944047

- 超过-

诚意招聘

Qubit正在招聘编辑/记者到北京中关村工作。我们期待有才华、有热情的学子加入我们！相关详情请在量子比特公众号（QbitAI）对话界面回复“招聘”。量子比特QbitAI·今日头条签约作者

'' 追踪AI技术和产品新进展