一个完整的学习路径。从 ML 到 DL、Scikit-Learn 到 TensorFlow，你需要这份学海指南。
当你试图接近某一个新主题或领域时，会感到困惑、迷失方向并且无路可循。要如何确保你能够深刻理解并且获得运用它的能力呢？当然是借鉴其他人的成熟路径，然后跟着他一步步学习，少走很多弯路。
当我们学习一些新的东西，尤其是那些内容广泛又复杂的事物时，避免混淆是很有必要的。
学习路径分为四部分：
-
先决条件
Python
Jupyter Notebook
需要掌握的数学
机器学习路径 -
用 Scikit-Learn 库进行机器学习
为什么选择 Scikit-Learn？
端到端机器学习项目
线性回归
分类
训练模型
支持向量机
决策树
集成学习和随机森林
无监督学习
当前总结和未来展望 -
用 TensorFlow 学习神经网络
为什么选择 TensorFlow
启动和运行 TensorFlow
ANN——人工神经网络
CNN——卷积神经网络
RNN——循环神经网络
训练网络：最佳实践
自编码器
强化学习
学习工具
机器学习项目
数据科学工具
博客/Youtube 频道/网站
首先就需要知道如何使用数值计算库 NumPy、可视化库 Matplotlib 和数据预处理库 Pandas，它们都是机器学习工程必不可少的工具。
所以重点是抓住主要概念并认识到其局限性和应用方面。
机器学习与 Scikit-Learn
Scikit-Learn 是最完整、最成熟以及完档最完整的机器学习任务库之一。
Scikit-Learn 利用功能强大和先进的模型实现「开箱即用」，并且为数据科学流程提供设施功能。
初次使用时，建议你过一遍下面的 Kaggle 案例，它目的是试图对泰坦尼克号上的乘客是否最有可能生还作出预测。
深度学习和 TensorFlow
自 2015 年开源以来，深度学习框架的天下就属于 TensorFlow。不论是 GitHub 的收藏量或 Fork 量，还是业界使用量都无可比拟地位列顶尖。
在了解 TensorFlow 后，我们可以迭代地学习用深度学习做工程
每一次深度挖掘一个专题，包括理论、教程、实现案例（例如 RNN 理论、RNN 教程和 RNN 实现案例）。
第二步循环多个主题后，再看一遍第一步的资源，抓住主要的推导与细节。