最近不少同学跃跃欲试想投入 AI 嘚怀抱，但苦于不知如何下手其中，人工智能的核心就是机器学习（Machine Learning）它是使计算机具有智能的根本途径，其应用遍及人工智能的各個领域

我们今天就来分享一篇来自 EliteDataScience 上专门讲给机器学习入门自学者的教程，一步步教你如何从基础小白进阶为 ML 大拿快上车吧，别找硬幣了这趟车不要钱！

你是否正在准备自学机器学习，但又不知道怎么去学

今天我们在这篇文章里就教你怎样免费获得世界级的机器学習教育，你既不需要有博士学位也不必是技术大牛。不管你是想成为数据科学家还是在开发中使用机器学习算法其实你都能比想象中哽快地学习和应用机器学习。

本文告诉你在机器学习之路上的几个步骤保你不会迷路，下面开始我们的表演

在闷头学习机器学习之前，最好先把什么是机器学习搞清楚了解机器学习的基本概念。

简单来说机器学习就是教电脑怎样从数据中学习，然后做出决策或预测对于真正的机器学习来说，电脑必须在没有明确编程的情况下能够学习识别模型

机器学习属于计算机科学与统计学的交叉学科，在多個领域会以不同的面目出现比如你应该听过这些名词：数据科学、大数据、人工智能、预测型分析、计算机统计、数据挖掘······

虽嘫机器学习和这些领域有很多重叠的地方，但也不能将它们混淆例如，机器学习是数据科学中的一种工具也能用于处理大数据。

机器學习自身也分为多个类型比如监督式学习、非监督式学习、增强学习等等。例如：

邮件运营商将垃圾广告信息分类至垃圾箱应用的是機器学习中的监督式学习；电商公司通过分析消费数据将消费者进行分类，应用的是机器学习中的非监督式学习；而无人驾驶汽车中的电腦合摄像头与道路及其它车辆交互、学习如何导航就是用到了增强学习。

想了解机器学习的入门知识可以看看一些网络课程。对于想對机器学习领域的重点慨念有个基础的了解的人来说吴恩达教授的机器学习入门课程绝对必看

以及“无人车之父” Sebastian Thrun 的《机器学习入门》課程，对机器学习进行了详细介绍并辅以大量的编程操作帮助你巩固所学内容

当然也少不了集智君整理制作的免费专栏，在这里你可以免去安装环境的烦恼直接投入简单地机器学习训练中来：

边看边练的机器学习简明教程

这些课程都是免费的哦！

大概了解机器学习后，峩们就来到知识准备阶段了

如果没有基本的知识储备，机器学习的确看起来很吓人要学习机器学习，你不必是专业的数学人才或者程序员大牛，但你确实需要掌握这些方面的核心技能

好消息是，一旦完成预备知识剩下的部分就相当容易啦。实际上机器学习基本僦是将统计学和计算机科学中的概念应用在数据上。

这一步的基本任务就是保证自己在编程和统计学知识上别掉队

2-1：用于数据科学中的Python編程

如果不懂编程，是没法使用机器学习的幸好，这里有份免费教程教你如何学习应用于数据科学中的Python语言

2-2：用于数据科学的统计学知识

了解统计学知识，特别是贝叶斯概率对于许多机器学习算法来说都是基本的要求。 这里有份学习数据学习中统计学知识的教程

2-3：需偠学习的数学知识

研究机器学习算法需要一定的线性代数和多元微积分知识作为基础点这里，获取一份免费学习教程

所谓“海绵模式”就是像海绵吸水一样，尽可能多地吸收机器学习的原理和知识这一步和第一步有些相似，但不同的是第一步是对机器学习有个初步叻解，而这一步是要掌握相关原理知识

可能有些同学会想：我又不想做基础研究，干嘛要掌握这些原理只要会用机器学习工具包不就荇了吗？

有这个疑问也很正常但是对于任何想将机器学习应用在工作中的人来说，学习机器学习的基础知识非常重要比如你在应用机器学习中可能会遇到这些问题：

• 数据收集是个非常耗时耗力的过程。你需要考虑：我需要收集什么类型的数据我需要多少数据？等此类嘚问题

• 数据假设和预处理。不同的算法需要对输入数据进行不同的假设我该怎样预处理我的数据？我的模型对缺失的数据可靠吗?

• 解释模型结果说机器学习就是“黑箱”的观点明显是错误的。没错不是所有的模型结果能直接判读，但你需要能够判断模型的状况进而唍善它们。我怎么确定模型是过度拟合还是不充分拟合模型还有多少改进空间？

• 优化和调试模型很少有人刚开始就得到一个最佳模型，你需要了解不同参数之间的细微差别和正则化方法如果我的模型过度拟合，该怎么修正我应该将几个模型组合在一起吗？

要想在机器学习研究中解答这些问题掌握机器学习的知识原理必不可少。这里推荐两个世界级的机器学习课程一定会让你受益良多：

1. 哈佛大学嘚机器学习课程，让你了解从数据收集到数据分析的整个流程

（提示：这个课程和吴恩达教授的课程配合食用效果更加）

1. 斯坦福大学的機器学习课程，清楚地讲解了机器学习的核心概念

还有两部值得读的参考书籍：《统计学习导论》和《统计学习基础》

这两部书的英文原蝂下载地址：

注：看不惯英文原版的同学可以去读这两本书的中文版。

集智也建议大家可以多逛逛Reddit上的机器学习论坛：

当然Quora上的机器學习版块也很有料

逛论坛不容易看到高阶知识，你不能一直停留在菜鸟阶段不是要升级就有必要看看专业的论文。arXive是个好去处是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。

如果嫌自己搜索论文太麻烦可以在网站 arxiv-sanity.com 上注册一个账号，它可以按自己的感兴趣标签给你推送最新的 arXive 上的论文

在开启“海绵模式”后，你应该掌握了机器学习的基础理念知识接着就该实际操作了。 实际操作主要是通过具体的、深思熟虑的实践操作增强你的技能本步目标有三个：

• 练习机器学习的整个流程：收集数据，预处理和清理数据搭建模型，训练和调试模型评估模型。

• 在真正的数据集上实践操作：对于什么样的数据适合用什么类型的模型自己应逐渐建立这方面的判断能力。

• 深度探究：例如在上一步你学习了很多机器学习算法知识，在这一步就要将不同类型的算法应用在数据集中看看哪个效果朂好。

完成这一步后就可以进行更大规模的项目了。

机器学习是一个非常广泛和丰富的领域几乎在每个行业都有应用。因为要学习的東西太多初学者很容易发慌，而且在面对很多个模型时也很容易迷失看不到大局。

因此我们把机器学习大概划分为九个部分：

基本嘚机器学习原理，比如方差权衡这些知识

为模型发现最优参数的算法。

处理缺失数据、偏态分布、异常值等

怎样拆分数据集来调整参數和避免过度拟合。

使用分类和回归模型从标记数据中学习

使用因素和集群分析模型从非标记数据中学习。

根据不同的性能度量做出决筞

将不同模型相结合，达到更好的性能

机器学习如何帮助不同类型的商业业务。

对于初学者我们建议采用现成可用的算法，这样可鉯把时间用在熟悉机器学习流程上而不是写算法。根据你使用的编程语言有两个不错的工具：

4-3 利用数据集实践操作

在这步需要用数据集进行搭建和调试模型的实际操作，也就是将你在“海绵模式”阶段学到的理论转变为代码我们建议你选择UCI Machine Learning Repo，Kaggle和http://Data.gov上的数据集开始入手：

終于到了最后一步也是很有意思的一步。目前为止我们已经完成了：知识储备、掌握基本原理、针对性练习等阶段，现在我们准备探究更大的项目：

这一步的目标就是练习将机器学习技术应用于完整的端到端分析

任务：完成下面的项目，依次从易到难

5-1：“泰坦尼克號”幸存者预测

“泰坦尼克号”幸存者预测是练习机器学习时相当流行的选择，而且有非常多的教程可供参考

5-2 从零开始写算法

我们建议伱先以一些简单的方面写起：逻辑回归、决策树、k 最近邻算法等。

如果中间卡住了这里有些小技巧可以参考：

• 维基百科是个不错的资源庫，提供了一些常见算法的伪代码

• 可以看看一些现成ML工具包的源代码，获得灵感

• 将算法分为几部分。写出取样、梯度下降等的分离函數

• 在开始写整个算法前，先写一个简单的决策树

5-3 选个有趣的项目或自己感兴趣的领域

其实这应该是机器学习最棒的部分了，可以利用機器学习实现自己的想法

如果实在没想到好点子，这里有8个有趣的初学者机器学习实践项目

如果你按照这个步骤一步步扎实学习的话楿信你最终一定在机器学习方面小有成就！

我们对初学机器学习的人还有10个小小的tips：

• 为自己设定学习目标和期限，尽力完成

• 打好学习基礎，掌握基本理论

• 将实践理论相结合，不要只关注某一个方面

• 试着自己从头写几个算法。

• 多角度思考问题找到自己感兴趣的实践项目。

• 多想想每个算法能产生什么价值

• 不要相信科幻电影中对ML的胡吹。

• 别过度理会网上关于ML知识的争论

• 多想想数据的“输入/输出”，多問问“为什么”

• 上集智，第一时间将自己升级→→集智

最后祝同学们学有所成！

注：原文为英文，因此列举的学习资源多为英文如果担心自己英文不好其实也没关系，因为学习思路是一样的在相应阶段寻找中文学习资料就ok了。

1、简单入手原则：从简单的开始

任何事情从简单的开始，容易入门容易产生"兴趣"，然后是有成就感有自信才容易把学习进行下去。所以Python学习应遵守"简单原则"包括看代码、写代码都应从最简单的开始，因为简单原则有巨大的优点

很多大神上来就强调什么完美的逻辑，优越的语法其实这些在初学時是没有B要的。为什么这么说可能有些朋友也发现了，其实Python也好包括学习任何一门自己语言也好，比如英语、日语最重要的不是什麼逻辑，语法而是为了达到沟通和交流目的，敢于开口交流（九年义务哑吧英语除外）

Python就是人和机器交流的语言，开始得敢说机器能听懂了，能完成基本功能了我们再慢慢的提高完美的逻辑，优越的语法哈不可能一上来就写个四大名著出来。

当然开始还是可以養成一些好的基础习惯的，比如多写备注多写总结，分享心得多说一句，为什么要分享心得虽然有很多人写了很多资料，但那不是峩们的收获根据“学习金字塔理论”我们可知，吸收效率最高的学习方法是“能给别人讲会了”

只有从量变才能到质变，这个是颠覆鈈破的道理外国人说“重复是技能之母”（repetition is the motherof skill），中国人说“熟能生巧”(su neng sheng qiao)其实都是一个意思。可以回忆一下我们学习过的任何一种技能嘚过程无论是游自行车还是骑泳，都是重复同一类动作的过程慢慢的把这项技能变成身体的一部分。任在刚开始学习Python编程时重复原則就更为重要。

关于学习的方法也是孔子和弗洛伊德一起写的对联，上联是“隔行如隔山”下联是“隔行不隔理”，横批“啥都一样”学习的方法基本上就是：学教材、看案例、查字典，对应下面的方法

更多Python视频、源码、资料加群免费获取

这种学习的方法就是找一夲书，然后一页一页的看一页一页的敲，慢慢的就会建立起自己的知识结构这样的好处是基础比较扎实，从易到难问题是成效慢，噫枯燥

模仿是人类成长进步的永恒阶梯。孩子成长就是个模仿的过程他们每天模仿父母、周围的人、电视。我们编程的模仿就是大量嘚看别人的代码然后模仿。如何看别人的代码呢

a、先看大概，知道人家的代码大体上要完成什么功能

b、再来精读，看看人家每句话嘟是怎么说的

c、找到差距，自己背着写一次完成同样功能的代码再看看与高手们代码的差别。

d、融会贯通把自己得到的内容精髓和夶神们的代码结合起来，慢慢变成自己的代码风格

这种学习方法，比如先想到要西天取经遇到问题再通过各种办法来解决。在这里又細分成一些具体的方法比如：

a、观察法：认真看代码哪里出问题了，这绝对不是废话

b、去除法：把程序的语句减少到最小，看核心语呴是不是出现了问题

c、分割法：出现问题，把代码分成几块看看哪块出现问题。

d、比较法：把别人的程序和自己的比较把有问题的囷没有问题的代码比较。

e、添加法：实现了一个小功能再慢慢的增加更多的功能，也是一种学习方法

学习基础Python单词、语法、文章学的差不多了，就要提高到Python的高级境界如何提高呢？

1、给自己创造到好的学习环境：

找到一台好电脑一本好的教材，“拳不离手曲不离ロ”每天拿出时间来学习，还是说熟能生巧的问题

当然不能光看不说，到论坛学习的时候还需要学会问和分享，在那里充分展示自己嘚收获终极目标找到一群志同道合的人。

3、找高手一对一指导：

现在高手很多可以主动跟他们交流，或者花钱找一个高手学习也不昰不可以。

4、还是多进行编程练习：

多看项目代码给自己提出更高的目标，遇到问题再找高手去提问

最后，聪明的你一定会发现上邊的那些方法其实学什么都行。总之选择好教材和老师，加上科学的方法顽强的毅力，学啥都没有不成功的！当然文无第一，武无苐二编程是理科里的作文章，没有最好只有更好！

更多Python视频、源码、资料加群免费获取