喵喵喵~大家元宵節(jié)快樂(lè)噢。有沒(méi)有要陪小夕出去看煙花的吖...

小夕借此給熱愛(ài)學(xué)習(xí)的喵喵們獻(xiàn)上這篇拙文，希望不要嫌棄哦~

還有，小夕畫(huà)的封面圖是不是很棒呀(￣?￣)

小夕發(fā)現(xiàn)現(xiàn)在想進(jìn)軍人工智能領(lǐng)域的程序yuan甚至少年少女喵好多呀，但是有幾只向我吐槽過(guò)網(wǎng)上的資料很多很雜，入門(mén)指導(dǎo)基本是雜而不實(shí)，很容易讓人滿(mǎn)腔熱情的開(kāi)始，卻又一臉懵逼的放棄。于是小夕來(lái)拯救世界啦！~

小夕的車(chē)轍

小夕從大二開(kāi)始做人臉識(shí)別，后來(lái)發(fā)現(xiàn)很快遇到了瓶頸。于是開(kāi)始學(xué)機(jī)器學(xué)習(xí)理論，又很快遇到了瓶頸，于是又開(kāi)始補(bǔ)數(shù)學(xué)。補(bǔ)完數(shù)學(xué)又鉆模式識(shí)別，又被虐了，但還是辛苦的啃完了《模式分類(lèi)》。后來(lái)學(xué)深度學(xué)習(xí)。再后來(lái)不停的論文論文論文、代碼代碼代碼...

?

由于小夕是從工程出發(fā)然后到理論，再回工程的道路，小夕覺(jué)得這樣走的彎路挺大的。而且前期做工程的時(shí)候真的很懵逼，各種看不懂然后跳過(guò)。

所以小夕這里分享給大家的道路是從理論到工程的平坦上升的道路。當(dāng)然啦，理論中肯定會(huì)穿插代碼實(shí)踐。小夕希望這是一條靠譜的、沒(méi)有知識(shí)斷層的深度學(xué)習(xí)/機(jī)器學(xué)習(xí)的入門(mén)之路，希望能在真正意義上幫到大家。

前言

本指導(dǎo)適合于真正有志于鉆研機(jī)器學(xué)習(xí)（含深度學(xué)習(xí)）、模式識(shí)別及其相關(guān)應(yīng)用領(lǐng)域的人。對(duì)于那種“1個(gè)月入門(mén)機(jī)器學(xué)習(xí)”的大忽悠學(xué)習(xí)模式，小夕這里沒(méi)有噢~

?

理論上說(shuō)，完全小夕的整個(gè)入門(mén)指導(dǎo)后，應(yīng)對(duì)整個(gè)機(jī)器學(xué)習(xí)大框架、理論細(xì)節(jié)、工程能力都有了比較好的積累。

?

在此之后可以偏向工程，輕松玩TensorFlow、Caffe等DL框架，轉(zhuǎn)CV、NLP等應(yīng)用性更強(qiáng)的方向；也可以偏向理論，比較輕松的看看最新的paper，跟上學(xué)術(shù)界的最前沿。但是工程與理論不是絕對(duì)割裂的哦，偏工程也要看論文、補(bǔ)數(shù)學(xué)，偏理論也要敲代碼、了解優(yōu)秀框架哦。

?

首先，在開(kāi)始之前，要確保有以下的理論基礎(chǔ)：

• 語(yǔ)文能力最少達(dá)到初中水平。

• 英語(yǔ)能力最少要達(dá)到高中優(yōu)秀水平，盡量在大學(xué)四級(jí)水平之上。

• 數(shù)學(xué)最少達(dá)到高中水平，微積分一定得學(xué)過(guò)。

?

盡量有以下的工程基礎(chǔ)（這樣可以邊學(xué)邊練，體會(huì)更深的喵，但是不會(huì)也沒(méi)有關(guān)系的）

• 面向過(guò)程編程范式

• 常見(jiàn)數(shù)據(jù)結(jié)構(gòu)

• 常見(jiàn)算法思想及算法分析能力

?

然后小夕為了避免文章過(guò)長(zhǎng)，將計(jì)劃截成了四五個(gè)階段。本文為第一階段。

階段一

---

線(xiàn)性代數(shù)

• 前置課程

• • 中學(xué)代數(shù)

• 主參考資料

• • 《線(xiàn)性代數(shù)應(yīng)該這樣學(xué)》(英文叫《Linear Algebra done right》)

• 輔助參考資料（有先后順序）

《Deep Learning》Bengio等，第二章（中譯本勉強(qiáng)能看，鏈接https://github.com/exacity/deeplearningbook-chinese?嗚嗚好想趕緊開(kāi)通原創(chuàng)功能插超鏈接）；

Wiki百科（翻墻不用教吧...）；

《矩陣分析與應(yīng)用》張賢達(dá)

• 重點(diǎn)內(nèi)容（無(wú)先后順序）：

• • 向量及向量空間

  • 內(nèi)積與范數(shù)

  • 線(xiàn)性映射

  • 矩陣? ??

  • 張成、線(xiàn)性相關(guān)、線(xiàn)性無(wú)關(guān)

  • 特征值與特征向量

  • 特征分解

• 高級(jí)內(nèi)容（最起碼要了解）：

• • 譜定理

  • 奇異值分解（SVD）

  • 矩陣的跡

  • 行列式

• 學(xué)習(xí)方法

• 適當(dāng)參考小夕總結(jié)的重點(diǎn)內(nèi)容，細(xì)細(xì)的品味《線(xiàn)性代數(shù)應(yīng)該這樣學(xué)》（這本書(shū)真的棒呆了）。

• 對(duì)于書(shū)中依然理解不了的部分，參考其他輔助資料哦。另外如果大家有哪方面難以理解，可以告訴小夕，小夕會(huì)盡量解答，若有必要的話(huà)直接寫(xiě)一篇小文章幫助大家理解哦。

• 主要意義

  線(xiàn)性代數(shù)是機(jī)器學(xué)習(xí)的不能更基礎(chǔ)的數(shù)學(xué)基礎(chǔ)。不僅僅是因?yàn)榫仃囀菣C(jī)器學(xué)習(xí)中運(yùn)算的基本單位，而且一些線(xiàn)性代數(shù)中的高級(jí)理論也被借鑒吸收到了機(jī)器學(xué)習(xí)算法中，比如用SVD（奇異值分解）來(lái)對(duì)特征降維，跡運(yùn)算可以加深對(duì)PCA及某些聚類(lèi)算法本質(zhì)的理解等。

• ---

  Matlab

  • 前置課程

  • • 線(xiàn)性代數(shù)

    • 面向過(guò)程編程范式

  • 主參考資料：

  • • Coursera平臺(tái)斯坦福大學(xué)Andrew Ng的“機(jī)器學(xué)習(xí)”課程的Matlab章節(jié)的視頻及補(bǔ)充資料

    • Matlab內(nèi)嵌幫助文檔

  • 輔助參考資料

• Google

• CSDN

• StackOverFlow

• 重點(diǎn)內(nèi)容：

• • Matlab基本語(yǔ)法

  • 矩陣運(yùn)算常用的內(nèi)置API（即用戶(hù)編程接口/函數(shù)接口）

• 學(xué)習(xí)方法

• 參考Coursera平臺(tái)“機(jī)器學(xué)習(xí)”課程的Matlab教學(xué)視頻及閱讀材料來(lái)掌握Matlab基礎(chǔ)知識(shí)。

• 養(yǎng)成使用Matlab內(nèi)嵌幫助文檔來(lái)學(xué)習(xí)新API的方法的習(xí)慣。例如在解釋器中可以用“help +命令”或“doc +命令”快速掌握某API的用法等。

• 多多總結(jié)積累常用的矩陣運(yùn)算API。

• 主要意義

  利用Matlab入門(mén)和理解機(jī)器學(xué)習(xí)算法，可以很大限度的忽略編程語(yǔ)言語(yǔ)法特性對(duì)算法實(shí)現(xiàn)的影響，也就是說(shuō)語(yǔ)法對(duì)數(shù)學(xué)表示的還原度很高~這樣可以很輕松的打通數(shù)學(xué)到計(jì)算機(jī)算法的橋梁，對(duì)于以后深入學(xué)習(xí)機(jī)器學(xué)習(xí)的理論和代碼實(shí)現(xiàn)都大有裨益。

• ---

  機(jī)器學(xué)習(xí)-上

  • 前置課程

  • • 線(xiàn)性代數(shù)

    • 微積分

    • Matlab

  • 主參考資料：

  • • Coursera平臺(tái)斯坦福大學(xué)Andrew Ng的“機(jī)器學(xué)習(xí)”課程

    • 《數(shù)據(jù)挖掘?qū)д摗?/p>

  • 重點(diǎn)內(nèi)容：

  • • 機(jī)器學(xué)習(xí)基本概念及應(yīng)用領(lǐng)域

    • 回歸與分類(lèi)的概念

    • 線(xiàn)性回歸模型(Linear regression model)

    • 邏輯回歸模型(Logistic regression model)

    • 淺層神經(jīng)網(wǎng)絡(luò)(Neural Network)

    • 支持向量機(jī)（Support Vector Machine）

    • 交叉驗(yàn)證思想及用途(Cross Validation)

    • 聚類(lèi)的概念

    • K-Means模型

  • 學(xué)習(xí)方法

• 乖乖的跟著Coursera課程計(jì)劃來(lái)就好，要認(rèn)真完成課后習(xí)題和編程題哦。若課程中的有些內(nèi)容實(shí)在沒(méi)有理解透，強(qiáng)烈建議參考《數(shù)據(jù)挖掘?qū)д摗分械南嚓P(guān)章節(jié)吶（這本書(shū)對(duì)于機(jī)器學(xué)習(xí)部分的講解很好喵）。
  小夕注：?Matlab代碼實(shí)現(xiàn)中多多體會(huì)和建立“用矩陣運(yùn)算”解決問(wèn)題的思想，努力擺脫“循環(huán)套循環(huán)”的low做法。

• Coursera結(jié)束后，仔細(xì)閱讀《數(shù)據(jù)挖掘?qū)д摗分械牡?、5章。先跳過(guò)其中的決策樹(shù)和貝葉斯分類(lèi)器那一節(jié)（以后的計(jì)劃中會(huì)安排的哦），另外第五章的組合方法能看懂就看，看不懂也沒(méi)關(guān)系，放在以后還會(huì)深入學(xué)。

• 主要意義

  Coursera上的“機(jī)器學(xué)習(xí)”課程中幾乎沒(méi)有涉及到概率統(tǒng)計(jì)的知識(shí)，自然也沒(méi)有貝葉斯分類(lèi)器這個(gè)經(jīng)典統(tǒng)計(jì)模型。同時(shí)也沒(méi)有深入講解最優(yōu)化的知識(shí)。
  不過(guò)這樣極大的降低了課程的難度，非常適合拿來(lái)快速接觸機(jī)器學(xué)習(xí)又不會(huì)受很大打擊。對(duì)于提升興趣，以及后續(xù)理論深入的學(xué)習(xí)真的很有幫助呀，小夕當(dāng)年就是看了這個(gè)視頻然后愛(ài)上了可愛(ài)的Andrew Ng，然后愛(ài)上了這一領(lǐng)域\(//?//)\。
  而《數(shù)據(jù)挖掘?qū)д摗芬卜浅＿m合新手入門(mén)，講解的十分淺顯易懂，在Coursera課程結(jié)束后再根據(jù)這個(gè)復(fù)習(xí)一遍，效果會(huì)非常好的。

• 下階段預(yù)告

• 概率論與數(shù)理統(tǒng)計(jì)

• 最優(yōu)化算法-上

• 機(jī)器學(xué)習(xí)-下

本文重點(diǎn)

?

記得推薦給身邊有需要的人哦，ta與小夕都會(huì)很感激您的~

?

...要哭哭了，最近都快沒(méi)人打賞了...對(duì)小夕的文章不夠滿(mǎn)意，記得在訂閱號(hào)主頁(yè)給小夕提意見(jiàn)哦~小夕真的很用心哦(｡ ?︿ ?｡)

總結(jié)

以上是生活随笔為你收集整理的史上最萌最认真的机器学习/深度学习/模式识别入门指导手册(一)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。