原作：Masum Hasan
問耕 編譯整理
怎麼入門機器/深度學習？
回答這個問題，最先要考慮的問題是：你有多少時間？
準備用三個月入門，和想要一個月速成，肯定是截然不同的路徑。當然我建議大家穩紮穩打，至少可以拿出五個月的時間來學好機器學習的基礎知識。
基礎很重要，知其所以然很重要。畢竟工具總在進步，每個月都會出現更好的深度學習技術，但基礎知識是不變的。
如何用五個月時間入門？下面分三個部分，詳細指南。（以及，如果你確實時間有限，最後還有一個速成指南）
五個月入門
Part 1：從機器學習開始（兩個月）
最好的入門教程，就是吳恩達講授的機器學習。吳恩達這套課程發佈很久了，雖然有些地方稍微過時，但相信我，現在沒有任何公開的課程，能比吳恩達講得更好。真的，課程結束時我幾乎哭了出來。
這個課程可以說適合任何水平的學生，當然，你最好還是得知道兩個矩陣如何相乘，以及對編程有一些基本的瞭解。
這套課程可以前往Coursera學習，傳送門：
https://www.coursera.org/learn/machine-learning
也可以上網易公開課收看，傳送門：
http://open.163.com/special/opencourse/machinelearning.html
如果你有時間，一定要聽完全部的課程。如果時間緊張，至少要聽完前五節課程，後面的可以暫時跳過。
吳恩達的機器學習課程深入講解了經典的機器學習模型，如線性迴歸、邏輯迴歸、神經網絡、支持向量機、PCA、無監督學習等等。大部分重要概念，都以簡單易懂的方式進行了介紹。
課程延伸
當你學習到第五節課，也就是開始講述神經網絡時，建議開始查看與課程平行的外部資料。比方3bule1brown推出的神經網絡講解視頻。推薦必看。
YouTube傳送門：
https://youtu.be/aircAruvnKk?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi
或者可以前往B站查看：
http://space.bilibili.com/88461692/#/
這裡給個示例：
以及，我覺得吳恩達在講神經網絡時有點快，所以建議補充閱讀一些資料。比如有關神經網絡和深度學習的在線書籍，免費的就很好了。
傳送門：
http://neuralnetworksanddeeplearning.com/
作者Michael A. Nielsen以一種簡單直觀的方式，深入探究了神經網絡的每個細節。建議閱讀這本書的前兩章，與吳恩達的課程並行。當你熟悉更多概念後，開始搞深度學習時，可以再看書中的其餘部分。
如果你英文不好，這本《神經網絡與深度學習》也有中文翻譯版本，可以免費在線查看。
感謝譯者，傳送門在此：
https://tigerneil.gitbooks.io/neural-networks-and-deep-learning-zh/content/
傳送門：http://colah.github.io/
Part 2：涉足深度學習（1個月）
開始研究深度學習之前，最好重溫一下大學數學。Ian Goodfellow傳奇般的“花書”《深度學習》，簡明扼要的概括了大部分重要主題。
建議大家儘可能深入地閱讀線性代數、概率、信息理論的章節。每當讀論文遇到深度學習概念時，都可以在書中找到參考。
以及，這本書有在線的版本。
例如英文版在此：
https://github.com/janishar/mit-deep-learning-book-pdf/blob/master/complete-book-bookmarked-pdf/deeplearningbook.pdf 。
而中文翻譯版本在此：
https://github.com/exacity/deeplearningbook-chinese
關於深度學習的在線資料有很多，你可能會挑花了眼。
再一次，我覺得最好的選擇，還是聽吳恩達的《深度學習專項系列課程（Deep Learning Specialization）》。
Coursera傳送門：
https://www.coursera.org/specializations/deep-learning
網易雲課堂的傳送門：
https://mooc.study.163.com/smartSpec/detail/1001319001.htm/
這門課程包括五大章節。其實不是免費的，你可以按照50美元/月購買。當然，如果你負擔不起，還能申請“助學金”。申請時請詳細闡明理由，處理的時間大概需要15天左右。
當然不付費，大部分內容都是可以看的。以及視頻的部分，在很多地方也能免費收看。
這五門課程主要講的是：
1、神經網絡和深度學習（4周）
2、改善深度神經網絡（3周）
3、結構化機器學習項目（2周）
4、卷積神經網絡（4周）
5、序列模型（3周）
前三門課程涉及一般的神經網絡和深度學習，第四、第五門課程涉及特定主題。如果你打算搞視覺，第四課必聽；如果你搞NLP、音頻等，第五課必聽。但如果你需要聽第五課，那麼建議也把第四課好好聽一下。
這裡鼓勵大家一下，課程裡每週的內容，實際上一兩天就能學完，所以不要被課程表嚇倒。勞逸集合、提升效率。
學到這個地步，其實就可以再去http://neuralnetworksanddeeplearning.com/ ，查看第三到第六章的內容，來強化你的概念。如果你有什麼還沒搞懂的，請前往Olah的博客。
以及，這時候你要開始看深度學習的論文了，從中學習知識。深度學習有個強烈的特點，那就是內容都非常新，閱讀論文是跟上時代唯一的方法。不想被拋下，那麼還是養成閱讀論文的好習慣吧。
Part 3：深度學習上手練（兩個月）
學到這裡，你應該對機器學習和深度學習中的大多數概念有了正確的理解，現在是時候投入沸騰的實際生活中了。
練手深度學習，最好的資源在fast.ai。
傳送門在此：http://course.fast.ai/
他們在流行的深度學習工具PyTorch上構建了一個庫，只需要幾行代碼，就能實現世界級的性能。
fast.ai的理念有點不同。吳恩達等老師的教授方法是自上而下，先講再做。而fast.ai倡導自下而上，先做再講。
所以在他們的課程中，第一節就帶你建立一個強大的圖像分類器。自己訓練模型的快感，刺激著你去完成其餘的課程。
除此以外，還要推薦兩門課。
斯坦福大學的CS231n和CS224n。CS231n專注於計算機視覺的深度學習，而CS224n專注於序列建模。
CS231n，李飛飛等主講。
官網傳送門：http://cs231n.stanford.edu/
CS224n，目前是Richard Socher主講。
官網傳送門：http://web.stanford.edu/class/cs224n/
此前的課程，網上也有中文字幕版本，大家可自行搜索。
到這裡，為期五個月的機器/深度學習入門就結束了。
希望大家都能穩紮穩打，夯實基礎。
以及最後，兌現一個開頭的承諾。如果你確實時間很緊張，必須儘快入門機器/深度學習，那麼請看——
速成指南
我最多隻有倆月
1、完成吳恩達機器學習課程的前五週，要做編程練習。
2、看完3Blue1Brown的視頻。
3、完成吳恩達的深度學習專項系列課程，做練習。
4、如果你想搞圖像，看專項課程第四講，搞NLP或序列數據，看第五講。
5、搜索你感興趣的開源實現。如果你還沒想好用什麼語言，推薦Keras。然後根據需要，再遷到TensorFlow或者PyTorch框架。
我，只有一個月
想要在30天完成入門超級困難。除非，你只是想了解機器學習的工作原理，然後應用到自己的項目中。
如果是這樣的話，速成建議如下：
1、略讀吳恩達機器學習課程第1-5周的課程，只看視頻，掌握概念即可。第三週可以跳過MATLAB/Octave課程。
2、看完3Blue1Brow的視頻。
3、略讀吳恩達深度學習專項系列課程的第一課，也就是神經網絡和深度學習。
4、如果你想做圖像處理項目，看一下Nielsen書中的第六章：http://neuralnetworksanddeeplearning.com/chap6.html
如果你需要序列建模的一些想法，可以看看Olah的博客：http://colah.github.io/posts/2015-08-Understanding-LSTMs/
5、Siraj Raval拍了很多有趣的視頻，涉及大多數機器/深度學習的主題。傳送門在此：https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
6、搜索跟你感興趣的開源實現，隨時調整以滿足你的需求。如前所述，我推薦你先用帶有TensorFlow後端的Keras語言。
其他資源
YouTube上有一個兩分鐘讀論文的系列視頻，可以幫你快速瞭解全球深度學習的最熱門進展。
如果你關注進機器學習領域的進展，Twitter是個絕佳的工具。
遇到困境的時候，記得reddit和Facebook上有很多志同道合的人，不要猶豫，在社區裡尋求幫助，大家會伸出援手。
結論
機器學習和深度學習是當今世界最具魅力的技術之一。而且這個領域的深度學習專家總是處於稀缺的狀態。從職業前景來看，深度學習非常吸引人。
需要提醒的是，與計算機學科的其他領域不同，深度學習的資源還不夠豐富。很多時候你會遇到失敗挫折，千萬不要灰心喪氣，你可以向更多人尋求幫助，很多人都願意伸出援手，大家都在學習。
關於機器/深度學習，有一個誤解是需要計算機科學的背景才能學習。這不是真的，你確實需要一些編程的思維才好入手，但也僅限於此。現在機器學習領域的很多專家，都來自其他研究領域。
如果你有計算機科學的背景，這是一個非常好的開始。但如果你出身其他學科，想要迎頭趕上並不難。
感謝看到這裡。
如果你有任何問題或者建議，歡迎留言。如果你想直接跟本文熱情的原作者聯繫，這裡是傳送門：
https://medium.com/@youngladesh/absolute-beginners-guide-to-machine-learning-and-deep-learning-7fa032944047
— 完 —
誠摯招聘
վ'ᴗ' ի 追蹤AI技術和產品新動態
閱讀更多 量子位 的文章
