从0到1 | 0基础/转行如何用3个月搞定机器学习

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/SzM21C11U68n04vdcLmJ/article/details/78598989

写这篇文章的初衷是现在好多朋友都想了解如何入门/转行机器学习，搭上人工智能这列二十一世纪的快车。再加上这个问题每隔一阵子就会有人提及，因此想写篇文章来个一劳永逸。

文章的宗旨：

1. 指出学习中的一些误区

2. 提供客观可行的学习表

3. 给出进阶学习的建议

目标读者是：

1. 零基础，对人工智能感兴趣的读者

2. 有基础，想将机器学习/数据分析和自己的本职工作相结合的朋友

3. 在读的学生朋友

4. 已工作，有其他编程基础想转人工智能的朋友

---

学习中的一些误区

1. 不要试图掌握所有相关的数学知识后再开始学习机器学习

一般人如果想要把这些知识都补全再开始机器学习往往需要很长时间，容易半途而废。而且这些知识是工具不是目的，我们的目标又不是成为数学家。建议在机器学习的过程中哪里不会补哪里，这样更有目的性且耗时更低。

2. 不过多收集资料 & 分辨资料的时效性

机器学习的资料很多，动辄就有几百G的材料可以下载观看，很多朋友都有“收集癖”，其实也就是放那而已。 在入门期间，建议“小而精”的选择资料，找准适合你的，看得懂的开始行动。

3. 多实践，多认识一些行业大咖 多交流

机器学习一些算法选择毫不夸张的讲就是在实践中摸索经验和技巧，不行动肯定是不行的。

另外多跟一些行业大咖交流学习，有机会认识就一定要取得联系。这波人身上或身边有很多的资源和人脉，尽可能挖掘一些，不管是学习途中的问题请教还是以后的工作机会，这些能用得上的尽量不要放过。

机器学习课程表

Python基础	数学基础
函数-类-面向对象 容器、文件处理 模块、标准库 数据结构	概率论 统计学 线性代数 微积分
Python数据科学	监督学习
NumPy SciPy Pandas Matplotlib Scikit-Learn	决策树 线性回归 逻辑回归 朴素贝叶斯 支持向量机 集成学习 EM算法
非监督学习	半监督学习
K均值算法 DBSCAN聚类 主成分分析	协同过滤 标签传播
深度学习	深度学习框架
BP神经网络 卷积神经网络 循环神经网络 递归神经网络 深度神经网络	TensorFlow MXNet Caffe2 PaddlePaddle Keras PyTorch
自然语言处理	项目实战
Tf-idf Word2Vec FastText	垃圾邮件过滤 车牌号码识别 人脸识别 金融智能决策系统 自然语言情感分析 招聘网反诈骗系统 ......

这个是一个比较系统的学习大纲，涉及到的知识面很多很广，期间的学习方法和技巧在这就凭这点文字肯定是讲不完，也讲不明白。

所以鉴于此，我准备了几节公开课，通过视频讲解、动画演示、应用场景、实习推荐等多方面来跟大家补充完善。

公开课的内容 (20:00开讲)：

1. 0基础如何用3个月学会机器学习(11.20)

2. 朴素贝叶斯的垃圾邮件过滤实战(11.21)

3. 金融智能决策系统(时间序列) (11.28)
   

4. 自然语言情感分析机制 (12.05)
   

5. 人脸识别(神经网络\OpenCV) (12.12)

如果没赶上会有录播回放，暂定这5个主题，后面持续更新，全部免费、全部免费、全部免费。

大家可以加微信：2252377210 或长按识别下面二维码来咨询听课细节, 注明: 学习

我姓何，大家可以叫我 Pierre(皮尔)，2013年中科院博士毕业后去法国国家科学院工作了2年多，考虑到想为祖国的AI发展贡献自己的一份力量(虽然微不足道)，于16年回到国内，目前就职于北京某顶尖AI公司。

在北京的朋友可以线下认识一下，我这也有一些资源和渠道推荐给大家学习或实习或就业

深入研究，实践实战

恭喜你！如果你已经完成了上面的计划表，代表你已经有了相当的机器学习能力。

接下来就要尽早接触实战，可以是多种形式，如实习、工作、科研、进实验室等等都可以。

对于大部分已经工作的朋友来说，重新回到学校攻读学位并不现实，这个时候，你就可以试着把机器学习应用到你自己的工作当中。

最后，不管选择什么方向最重要的就是独立思考的能力，和踏出第一步的勇气。