何不食肉糜-机器学习自学指南

最近在利用业余时间学习机器学习，期间搜集整理了不少学习资料，多为斯坦福 / 康奈尔等大学的公开课和讲座，以及机器学习领域的英文原版书籍。私以为，相比国内各大社区里出处不明的入门教程，还是一手的权威资料讲得更加深入和准确，所以，何不食肉糜呀！

另外，机器学习领域大牛很多，领域很广，应用更是广阔到难以尽数，作为一个 ML 小白，这篇文章的内容也并不会多完备，不求尽善尽美，只是抛砖引玉，一起交流学习。

1. 计算机基础

• python 入门：

  • Introduction to Python

• Java 入门：

  • Introduction to Java

• 算法：

  • Coursera specialization

• 数据库：

  • Stanford archived DB course
  • Using Database with Python

• 离散数学：

  • Coursera Discrete Math specialization

• 操作系统：

  • 《Modern Operating Systems》

2. 数学和统计基础

• 线性代数（Linear algebra）【必须】
• 微积分（Calculus）【必须】
• 优化（Optimization）【必须】
• 基础统计（Statistics）【必须】
• 实分析和泛函（real analysis, functional analysis）【非必须】

3. 入门

• 机器学习入门：吴恩达的这个课可能没有人不知道了
• 《统计学习导论》：这本书里面的编程很轻量，但是作为直觉培养和思路练成，仍然是不错的
  
• 深度学习入门：吴恩达的这个课用来入门深度学习也不错
• 人工智能入门：Udacity 的第一门旗舰 AI 课，基于斯坦福大学的一门本科生课程，会涉及一点比前几门入门课更宽广的概念

4. 进阶

• [挖掘海量数据集

](http://web.stanford.edu/class…：之前的几个课程主要是讲监督学习的，这门斯坦福的课程稍微宽广一点，并不完全是机器学习，但是对扩大知识面和实践有帮助

• 高级机器学习：康奈尔大学的机器学习课程，可惜没有录像，只有课件，关于实战的部分讲的还是不错的
• 《The Elements of Statistical Learning》：经典 ESL
  
• 《Pattern Recognition and Machine Learning》：经典书
  

5. 应用

• 信息提取和搜索

  • https://www.searchtechnologies.com/blog/relevancy-ranking-301
  • http://web.stanford.edu/class/cs276/
  • UIUC 课程幻灯片

• 推荐系统

  • Recommender Systems: The Textbook
    

• 图像识别

  • stanford CS231n：Andrej 版的堪称经典

• 自然语言处理

  • stanford CS224n

• 加强学习

  • 《Deep Learning (Adaptive Computation and Machine Learning series)》：经典课本
    

• 无人车

  • MIT 自动驾驶课程
  • Cruise 2017 年的演讲
  • 百度 Apollo
  • MIT 2019 最新总结

6. 框架

• Tensorflow：https://www.youtube.com/channel/UC0rqucBdTuFTjJiefW5t-IQ
• Pytorch：https://course.fast.ai/
• Caffe

7. 扩展注意事项

数据量大了会面临的问题，一些最最小白的介绍，大佬可跳过

• 分布式系统:

  • https://hackernoon.com/a-thorough-introduction-to-distributed-systems-3b91562c9b3c
  • https://www.youtube.com/watch?v=BkSdD5VtyRM

• 系统设计

  • https://www.educative.io/collection/5668639101419520/5649050225344512?affiliate_id=5749180081373184/
  • https://www.amazon.com/Designing-Data-Intensive-Applications-Reliable-Maintainable/dp/1449373321/ref=as_li_ss_tl DDIA 堪称经典教程
    

• 分布式 OLTP 和 OLAP

  • https://www.youtube.com/watch?v=tcyDgOejU5g
  • https://www.youtube.com/watch?v=AoK8_QEi5U0

8. 机器学习系统和平台

• 什么是机器学习系统?

  • https://ai.google/research/pubs/pub43146
  • https://ai.google/research/pubs/pub46555
  • Adv ML systems 没有录像只有幻灯片
  • 《Building Intelligent Systems – A Guide to Machine Learning Engineering》
    
  • NIPS2018

• 机器学习平台

  • Google:

    • tfx https://www.tensorflow.org/tfx/
    • KDD talk https://www.kdd.org/kdd2017/papers/view/tfx-a-tensorflow-based-production-scale-machine-learning-platform

  • Facebook:

    - FB Learner flow [https://code.fb.com/ml-applications/introducing-fblearner-flow-facebook-s-ai-backbone/](https://code.fb.com/ml-applications/introducing-fblearner-flow-facebook-s-ai-backbone/)
    

  • Uber:

    - Michelangelo [https://eng.uber.com/scaling-michelangelo/](https://eng.uber.com/scaling-michelangelo/)

    • 深度学习 Horovod https://eng.uber.com/horovod/

  • linkedin:

    • Pro ML https://twimlai.com/twiml-talk-200-productive-machine-learning-at-linkedin-with-bee-chung-chen/

  • Airbnb:

    • Bighead https://databricks.com/session/bighead-airbnbs-end-to-end-machine-learning-platform
    • Podcast TwimlAI https://twimlai.com/shows/

安利时间

我们在 web 开发过程中，都见过或者使用过一些奇技淫巧，这种技术我们统称为黑魔法，这些黑魔法散落在各个角落，为了方便大家查阅和学习，我们做了收集、整理和归类，并在 github 上做了一个项目——awesome-blackmargic，希望各位爱钻研的开发者能够喜欢，也希望大家可以把自己的独门绝技分享出来，如果有兴趣可以给我们发 pr。

欢迎加入我们的 QQ 群（784383520），一起交流学习。