一份來自英偉達的越南小姐姐整理的機器學習入門清單，照這樣學就對了

（點選上方快速關註並設定為星標，一起學Python）

來自：機器之心         參與：張倩、杜偉

 

入門機器學習是一個循序漸進的過程，優質的學習資源和科學的學習路線缺一不可。在本文中，來自英偉達人工智慧應用團隊的電腦科學家 Chip Huyen 不僅列出了十大優質的免費機器學習課程資源，還將其串成了一條高效的學習路線。

 

 

Chip Huyen 是一位來自越南的作家和電腦科學家，現居於美國矽谷，就職於英偉達人工智慧應用團隊。

 

Chip Huyen

 

她本科和碩士均就讀於斯坦福大學電腦科學專業，曾開設和講授課程《TensorFlow for Deep Learning Research》。

 

該課程連結：http://web.stanford.edu/class/cs20si/

 

她還曾協助推出越南第二受歡迎的網路瀏覽器 Coc Coc，每月活躍使用者數量達 2000 萬以上。

 

她目前正在進行的一些專案包括 SOTAWHAT（查詢和總結 SOTA 人工智慧研究成果）、OpenSeq2Seq（利用語音識別、Text2Speech 和 NLP 進行高效實驗的工具包）以及 Free Hugs Vietnam（為越南青少年提供軟技能的非盈利專案）等。

 

以下是她給出的《機器學習》資源清單和路線：

 

1. 斯坦福《機率與統計（Probability and Statistics）》

 

連結：https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics

 

簡介：這門課程涵蓋了機率和統計學的基本概念，涉及機器學習的四個基本方面：探索性資料分析、生產資料、機率和推理。

 

2.MIT《線性代數（Linear Algebra）》

 

連結：https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

 

簡介：這門課程的授課教師為《線性代數導論》、《線性代數與資料學習》的作者 Gilbert Strang。該課程與《線性代數導論》中的理論和應用知識相輔相成，挑選了書中四個關鍵的應用：圖和網路；微分方程組；最小二乘與投影；傅裡葉級數和快速傅裡葉變換。作者表示，這是自己見過的最好的線性代數課程。

Gilbert Strang

 

3. 斯坦福 CS231N《用於視覺識別的摺積神經網路（Convolutional Neural Networks for Visual Recognition）》

 

連結：https://www.youtube.com/playlist?list=PLzUTmXVwsnXod6WNdg57Yc3zFx_f-RYsq

 

簡介：這門課程的特點是理論與實踐並重。課程 PPT 用了視覺化的方式解釋反向傳播、損失、正則化、dropout、batchnorm 等比較難以理解的概念。

 

4.fastai《程式員深度學習實戰（Practical Deep Learning for Coders）》

 

連結：https://course.fast.ai/

 

簡介：這門實踐課程是面向新手的，不要求參與者擁有大學水平的數學知識，也不要求參與者有很多的資料，但需要一年的程式設計經驗，還需要配備一塊 GPU。此外，該課程還有一個論壇，專門用來討論 ML 的最佳實踐。

 

5. 斯坦福 CS224N《深度學習自然語言處理（Natural Language Processing with Deep Learning）》

 

連結：https://www.youtube.com/playlist?list=PLU40WL8Ol94IJzQtileLTqGZuXtGlLMP_

 

簡介：對於對 NLP 感興趣的同學來說，這是一門不容錯過的課程，被稱為入門自然語言處理（NLP）的「標配」公開課。它和計算機視覺方面的課程 CS231n 堪稱絕配。該課程組織嚴密、教法得當、緊跟前沿研究趨勢。這門課的授課者是斯坦福 AI 實驗室負責人 Christopher Manning。

 

6.Coursera 上的斯坦福《機器學習》。

 

連結：https://www.coursera.org/learn/machine-learning

 

 

簡介：這門課授課者是吳恩達，在 Coursera 上的註冊人數已達到 244 萬。它廣泛介紹了機器學習、資料挖掘、統計樣式識別等方面的內容，包含監督學習、無監督學習、機器學習最佳實踐等主題。此外，課程中還包含大量的應用案例。

 

7. 斯坦福《機率圖模型專項課程（Probabilistic Graphical Models Specialization）》

 

連結：https://www.coursera.org/specializations/probabilistic-graphical-models

 

簡介：機率圖模型是一個豐富的框架，用於編碼複雜領域的機率分佈。本課程包含三部分內容：《機率圖模型 1：表徵》、《機率圖模型 2：推理》和《機率圖模型 3：學習》。授課者為斯坦福大學工程學院講師 Daphne Koller。

 

8. DeepMind《強化學習入門課程（Introduction to Reinforcement Learning）》

 

連結：https://www.youtube.com/watch?v=2pWv7GOvuf0&list;=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ

 

簡介：本課程藉助於一些生動直觀的解讀和有趣易懂的示例，為學生提供了有關強化學習（RL）的全面介紹。授課者為世界頂級專家 David Silver。

 

9. Full Stack Deep Learning《全棧深度學習訓練營（Full Stack Deep Learning Bootcamp）》

 

連結：https://fullstackdeeplearning.com/march2019

 

簡介：這是為熟悉深度學習基礎的開發人員提供的實踐專案。除了學習訓練和調整模型之外，學生還可以學習到如何制定問題和預估專案成本、選擇正確框架和計算基礎結構以及訓練中的故障排查和確保復現性等其他技能。

 

10. Coursera《如何贏得資料科學競賽：向頂尖 Kaggler 學習（How to Win a Data Science Competition: Learn from Top Kagglers）》

 

連結：https://www.coursera.org/learn/competitive-data-science

 

簡介：如果你想要參加競爭激烈的資料科學競賽並希望在競賽中取得好成績，本課程不失為最好的選擇。你將會學習到如何在資料科學競賽中分析和解決預測建模任務。