摘要：?作者自學機器學習和人工智能，站在一個初學者的角度來回顧這些經歷并編寫這篇適合初學者的指南。

我自學過一年機器學習和人工智能，我認為初學者在該領域還沒有一個學習的途徑，這是我創建這個指南的目的。在過去的幾個月里，我試著每天花幾個小時了解這個領域，無論是觀看Youtube視頻還是看各種資料，現在我覺得我有豐富的經驗來分享我的見解。我在本指南中收集的所有信息適用于這個領域的初學者。該指南是按照時間順序進行，而且與我所遇到的大多數指南/學習路徑不同，它不需要理解線性代數，偏導數和其他復雜的數學概念。如果你經常在這條路上學習，我相信你可以在三個月內可以達到相當高的水平。以下是學習步驟：

學習Python并用它編寫你的算法

我強烈建議先學習Python，因為它不僅非常容易學習，而且幾乎支持機器學習中使用的所有優秀庫。雖然R語言很有用，但我發現Python更適合初學者。除了基本編程外，對于機器學習，最有用的庫是Numpy，Pandas和Matplotlib。
對于那些以前從未寫過代碼的人，我建議參加多倫多大學（現在是ML / AI最好的大學之一）提供的課程。這需要幾周的時間，但這是非常值得的。你通過本課程獲得的大部分知識可以應用于任何其他編程語言，唯一的區別是語法。該課程是免費的，可以在這里觀看。

對于那些擁有其它語言編程經驗的人，只需瀏覽Python的語法。
現在，在了解Python的基礎知識之后，你需要了解我所說的前兩個庫（Matplotlib可以晚點）。Numpy和Pandas用于修改你使用的數據，而Matplotlib則用于通過圖表將這些數據可視化。
Numpy：http?:?//cs231n.github.io/python-numpy-tutorial/
Pandas：https：//pandas.pydata.org/pandas-docs/stable/10min.html

深入了解機器學習的基礎知識

如果有一門通用的機器學習課程，它必須是Andrew Ng的課程。雖然對于初學者來說，這門課程可能有點難度，因為它涉及到偏導數等概念。我希望每個人都觀看這個視頻并做筆記，雖然這不需要編程相關的教程和練習。
鏈接：https：//www.coursera.org/learn/machine-learning

學習各種機器學習算法，并理解如何在真實世界的場景中實現它們

理解沒有大學數學知識的機器學習算法是很難的，但是澳大利亞的一個團隊解決了這個問題。Kirill Eremenko和Hadelin de Ponteves來自SuperDataScience團隊，他們在現實生活中應用簡單算法。他們的課程涵蓋Python和R，但你只需通過Python教程即可。另外，如果你覺得他們的速度太慢，可以1.25倍的速度看這個課程（我做到了，發現它好得多）。

他們的課程在Udemy上，它可以在這里找到，通常約為10美元。它涵蓋了從基本回歸算法到深度學習和卷積神經網絡的一切。如果你想探索更先進的領域，他們的深度學習課程將在機器學習結束時提供，并且享受90％的折扣。然而，這第二門課程中的概念可能有點先進，缺乏適當的文檔，因為它們非常新穎。另外你可以學習谷歌的免費深度學習課程或密歇根州的免費課程。

找到一個特別感興趣的領域，并深入探索

現在，你已經有廣泛的機器學習的概念，并且學到了很多技能，可以幫助你獨立完成基礎項目。我建議去Kaggle或UCI機器學習資源庫嘗試不同的算法和優化性能。如果你遇到問題，可以在Stack Overflow提問，發布之后你將在幾個小時內得到答復！

另外，我建議你在機器學習的廣泛領域找到一個有趣的領域，并深入研究。我推薦的區域有：

計算機視覺：這可能是機器學習/人工智能領域最熱門的領域---利用計算機使用特殊類型的神經網絡來查看和理解事物。斯坦福大學在線發布他們的課程，在線提供講座，課程筆記和作業。不要擔心數學太復雜，因為這個過程只是為了加深你的知識。另外，你可以看看OpenCV，這是一個計算機視覺庫，可以為你做很多復雜的事情，推薦一個教程。完成這些后，請查看Kaggle和UCI上更高級的圖像數據集，甚至可以進行Kaggle比賽。

自然語言處理：了解計算機如何學習說話也是今天的一個突出話題。斯坦福大學提供了一個在線課程。如果你不了解一些數學概念，不要擔心，只要了解這個領域的工作原理。對于實現，你可以進行這個Udemy課程。另外，你也可以觀看一些著名的機器學習者Siraj Raval的視頻（如https://www.youtube.com/watch?v=9zhrxE5PQgY）。當你已經完成了這些，可以嘗試進行簡單的項目，如建立聊天機器人，情感分析或為歌曲創建歌詞。

強化學習：該領域專注于機器學習如何以特定方式學習，其最受歡迎的應用程序是在視頻游戲領域。銀鴻的UCL是個不錯的選擇，但初學者可能會覺得有點棘手。一旦你完成了這些工作，就可以開始從網上下載基礎項目，并利用機器學習和人工智能來修改他們的行為。一些簡單的教程可以通過Youtube搜索找到。

數據科學：這個領域是一個萌芽的領域，有許多令人興奮的工作機會。我建議你進行SuperDataScience的付費課程或UC圣地亞哥基于Python的免費課程，此外你必須學習SQL以及Matplotlib。還有像自主學習（用于推薦系統），Adversial Networks（AI改進AI）和遺傳算法（以與自然進化類似的方式改進問題的解決方案）等領域，在我看來，這些是大多數初學者延伸的領域。

最后

如果你想長期在這個領域工作，那么一定要了解它是什么。一旦你對該技術的工作有了必要的了解，你就應該開始做在本節列出的事情，這些事情是初學者應該做的，以加深他們對該領域的總體了解程度并使他們更有知識，如下：

開始閱讀研究論文：他們確實沒有聽起來那么具有挑戰性。如果你遇到過一個你不明白的東西，那么就把它放下。這個網站提供了大量優秀的論文。

傾聽前輩的意見：Andrew Ng，Ian Goodfellow和Yann LeCunn等人都會定期接受采訪，并給出該領域工程師關于人工智能主題的觀點。這個Youtube頻道收集了這些演講的最佳內容。

與領域保持同步：Wired是所有對科技感興趣的人的最佳平臺之一。它每天發布多個與AI相關的故事，可在這里找到。另外，也可以使用TechCrunch的Facebook Messenger機器人---它通常會對AI相關的文章感興趣，并且每天都會提示你。

哲學：AI有它的支持者和反對者，但是它背后的哲學是有趣的。這一領域的書籍適合初學者，其中包括Ray Kurzweil的“如何創造心靈”和Max Tegmark的“生活3.0”（http://s3.amazonaws.com/arena-attachments/1446178/cffa5ebc74cee2b1edf58fa9a5bbcb1c.pdf?1511265314）---請嘗試閱讀這些內容。

貢獻：如果你是喜歡從別人的經驗中學習的人，請查看人工智能和深度學習Facebook小組。或者通過https://www.reddit.com/r/artificial/在AI上查看Reddit的主題。

文章原標題《A guide for High School students to learning Machine Learning and Artificial Intelligence》

作者：Karan Jaisingh

譯者：黃小凡，審校：袁虎。

原文鏈接

干貨好文，請關注掃描以下二維碼：

總結

以上是生活随笔為你收集整理的机器学习和人工智能的初学指南的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。