本人美國top50本科統計就讀，想當初我的機器學習和深度學習就是靠自學入門的。現在行業中對于人工智能自學這一方法眾說紛紜，也有很多人質疑那些通過自學獲得的技術及實力。就我個人而言，我體驗過各種各樣的課程，也閱讀過不少的教材，總的來說，人工智能領域的學習肯定不是一朝一夕可以實現的，這是一場需要很大耐心和精力的旅程。這些課程設計到各種各樣的難題，單是通過自學，技術肯定是無法達到爐火純青的境界的，而且很多時候，光是熟知了各種各樣的模型和理論知識，實踐的欠缺也能成為致命的短板。

但也不能否定，對于機器學習和深度學習這樣相互交叉的學科，市面上的很多教材都能幫助大家入門，打好日后高階學習的基礎。下面就給大家推薦一些我平時學習時使用到的網站和資源：

貪心科技AI課程

這套課程是近幾年的新課程，需要付費使用，價格在7000-20000元不等。對于某些學生黨可能會覺得比較昂貴，但我整體使用下來后，還是覺得是物有所值的。貪心AI每節課程內涉及的案例和練習都比較新，也很符合現在的行業趨勢。從機器學習到deep
learning再到進階學習以及最后的就業班，這套教材一步一步帶領大家從最基礎的理論知識，如認識人工智能、python入門等開始，系統性的學習。

課程設計

我在學習的時候最喜歡的一點就是這套課程的直觀的設計，每節課分成很多的小結，隨時點進來都可以跳轉到最近的學習進度，而且小標題也能方便快速定位內容。除此之外，每節課內還穿插著很多和本節內容有關的練習幫助鞏固所學知識。圖文并茂，一段段講解視頻也讓枯燥的理論學習變得有趣。

課程內容

我上的這套機器學習中級課程的核心內容均圍繞機器學習和深度學習，課程通過案例的實戰來加深對技術的理解。它涵蓋了很多機器學習包括人工智能領域內的概念如過度擬合、泛化錯誤、偏倚-變異權衡、經驗性風險最小化等。與吳恩達那套課程不同，貪心科技AI課程對于很多數學的知識點，如線性回歸、邏輯回歸等也都有概括。總的來說，是一套比較完整，適合系統性學習的課程。

我在學習時印象最深的就是這套課程對于泛化錯誤的講解。這也是機器學習內一個重要的概念。有時，只要泛化誤差不是太大，你訓練的模型過度擬合也是可以的。例如，如果你訓練一個復雜的模型，在訓練集上達到0.2的誤差，在測試集上達到0.5的誤差，這可能比在訓練集上達到0.5的誤差，在測試集上達到0.6的誤差的簡單模型要好。偏差-變異權衡是對這個問題的一種推理方式：什么時候使用更復雜的模型是有意義的，即使它過擬合得更多？而貪心科技AI對于這一部分講解的很細，內容通俗易懂，而且配套的習題也能做到舉一反三，幫助我理解。

學完本課程之后，我個人建議接著深入學習自然語言處理、計算機視覺、推薦等領域。入門課程涵蓋了機器學習、推薦系統、自然語言處理幾大版塊。面對打算從事AI崗位的職場人和在校學生，提供系統化的專業課程，如分類、回歸、聚類、集成算法等，而高級課程則是圍繞各種實例，進行進一步內容的學習與練習。

機器學習和深度學習領域比較重要的代數和編碼知識在這套課程也有著重講解。貪心學院的機器學習課程內容較多，各種案例也很豐富，這樣的設計可以先讓大家一步一步了解工程原理，再通過實例的講解，逐步掌握相應的技術。這種模式可以為日后的工作學習打下堅實的基礎，課程學完后可以根據所學融會貫通，靈活性較高，適合利用碎片化時間學習。因為是一套扎實打基礎的課程，課程講解的比較細，范圍也很廣，可能對于某些想要快速學習，迅速掌握就業技能的人，不太適合。

教研團隊

這套課程吸引我的另一點就是其雄厚的師資力量。課程的核心團隊由海內外AI專家組建而成，多位合伙人及主講老師都是業內資深工程師。其教研人員包括前金融獨角獸首席科學家、美國google科學家、ALBERT第一作者、美國微軟AI總監等專家；多位合伙人及主講老師都是業內資深工程師。

我在上這節課的時候的導師就是亞馬遜的工程師，李文哲老師。他對于每一個問題的講解都十分細致，尤其是遇到運算問題，都會一步步手寫出具體公式。除此之外，他還經常會舉一反三，通過舉出不同類型的問題，加深我們的記憶。課后的助教對教學也都十分認真負責，每次我提出的問題都會及時解答，就算現在已經結課了，我們也會經常溝通一下最近遇到的問題。

課后練習

除了專門的課后練習系統，貪心科技AI還為學生提供了Jupyter和github的使用權限。我在進行ML學習時，就經常會從github上找各種大神的代碼和他們新開發的新奇的程序，如隨機文章生成器等，這些內容完全可以拿來當成是實踐項目進行練習。有時候遇到棘手的問題，我也會上去發帖求助。我自己在學習的時候，從這些資源處受益匪淺。總之github對于人工智能領域的學生和職場人都是一個不可多得的好資源。

除此之外，這節課程也提供了很多其他項目進行練習，如廣告點擊率預測、情感分析項目、信用卡欺詐預測、零售數據中的用戶分層等。每一個項目都會涵蓋一定的知識點。大家可以打開jupyter的cell，自己進行代碼的編寫課后系統的練習每次都會有助教及時批改標注，幫助大家查缺補漏。

Kaggle

相信人工智能領域的小伙伴應該對這個網站都很熟悉這個叫Kaggle的平臺。它是世界上最大的數據科學家和機器學習專家社區之一。這是一個數據科學托管網站，里面有很多真實的數據集，會讓你感覺到數據科學是如何在現實世界中使用的。這些數據集都是預先安裝的，沒有兼容性問題。這也是應用和測試你對ML理解的最好方法。Kaggle上還會有各種競賽，根據其獎勵分為不同類型，主要類型有三個：學習、研究、行業資助。這些比賽很適合初學者，你也可以在其中找到很多如何獲得好成績的文章和樣本解決方案。

不過Kaggle不會教初學者如何編程，相對于系統性地學習，Kaggle更偏重于掌握數據科學和機器學習技能的地方。像很多初學者一樣，剛接觸Kaggle的我也是十分不知所措。但是對于對編寫代碼有一定了解的人來說，就完全可以在Kaggle上自學機器學習算法。

對于這個網站的使用，我建議大家像我一樣，從數據集探索開始。從小的數據集開始導入、分析、可視化數據就不會花費太久了。同時大家也可以嘗試在自己感興趣的領域中選擇數據集，這也對進一步的數據分析有所幫助。在逐漸了解這個網站的使用方法后，大家可以轉向一些沒接觸過的領域，探索更多的項目。我在使用Kaggle時就從很多大神那里看到了很多有趣的項目如房價回歸預測、心力衰竭預測、旅行app酒店點評等等。

如果你的目標是在機器學習領域工作，你可以先試著參與一些ML/DM項目。在這里不一定是指Kaggle或個人的項目，而是可以與一些教授一起，這樣你就可以獲得一些編寫ML代碼和使用標準ML軟件的經驗，如WEKA、LibSVM等。和教授一起做項目可以讓你把這樣的項目添加到你的簡歷中。

吳恩達–Stanford Machine Learning

這個資源可以在coursera上找到。這也是前幾年比較火的一套課程。網站上除了一些學習資料，還涵蓋了很多斯坦福大學的課程。內容不多，也比較簡單易懂。這也可以說是我機器學習的第一課，總的來說還是很適合初學者的。課程主要介紹分析數據和建立模型的各種方法，在上課過程中還可以鍛煉與人溝通和工作的能力。在整個課程中，我們使用R語言，并同時學習R、統計概念和數據分析的技術。

吳恩達是一位了不起的老師，他的實力也是毋庸置疑的。他非常了解現在人工智能的趨勢以及機器學習是如何解決這些問題的。這套課程能讓你在沒有數學背景的情況下，學習機器學習，但這也是這套教材被詬病的一點。所以我建議，這套教材最好的學習方法是在他的一些課后搭配額外的數學學習。

具體來說，這套課程的內容包括：第一部分第2-5章：應用數學和機器學習基礎（包括線性代數、概率和信息論、數值計算和機器學習基礎）；以及第二部分，第6-8章：現代實用深度網絡（深度前饋網絡和深度學習的正則化，訓練深度學習的優化）。尤其是這一部分對神經網絡學習很有幫助，這也被公認為是Coursera課程中要求最高的部分。除了每節課內的例題展示，課后Coursera還會提供吳恩達本人的筆記和練習題幫助大家鞏固所學知識。

哥倫比亞Bootcamp

人工技能的基礎是編程，這個網站主要針對于編程代碼，主要是Python的學習。我在哥倫比亞大學學習數據科學時就經常使用這個網站。哥倫比亞大學是位于紐約市的常春藤盟校，是美國最古老的學習機構之一。這個Boot Camp能讓你在在課程中完成項目并且課下還能反復review。它是一個學習網站，為那些對于數據科學感興趣的人提供相應的課程如中級Excel、JavaScript、HTML5、SQL、Tableau等。課程內涵蓋的數據集都是從金融、醫療、政府、社會福利等領域收集的真實數據集。相較于Kaggle的網絡論壇形式，這個網站更偏向于提供課程及練習，每個學校都會有他們特定的Boot
Camp。在這里我使用過也比較推薦的就是哥倫比亞大學的。相比于其他項目，哥大的網站課程招生要求會更高，需要審核，對于學生水平和課程質量都有一定保障，課程難度相對應的，也會比較大。

Coursera

這個網站自然不必多說，除了機器學習的課程，還有很多人工智能領域的課程可供大家參考。前面提及的吳恩達機器學習課程在上面也能找到。作為拓展，我在學習的時候還在上面上過一些賓夕法尼亞大學的金融課程。這個網站上有很多大企業，如BMI，Microsoft，Google等提供的訓練，還有很多Top 10大學提供的專業課程，大家也能通過完成課程獲得證書。但是這個網站專業課程相對價格比較高，對學生不太友好。如果大家希望通過參與課程，得到一個含金量比較高的證書或認證的話，這個網站會是一個比較好的選擇。不過如果大家想要得到更多練習機會和項目知識的話，建議大家嘗試我前面提到的幾個網站。

總結

以上是生活随笔為你收集整理的自学机器学习、深度学习、人工智能的学习资源集合的全部內容，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。