本文来自于Ashu Jha，介绍了自己从0到学习机器学习的经历，作者指出：先编码、后理论，从项目开始，是最好的学习方式。我以项目为基础，重点放在项目上而不是理论上。这种"先编码，后理论"的方法帮助我以实用、亲身实践的方式学习机器学习。当遇到问题时，我会寻找资源，了解它们。这种"边学边做"的方法使我的旅程实用且专注于职业目标。到目前为止，我所有的实习都来自于我自己搭建的项目，而不仅仅是理论知识。展示真实的应用帮助我脱颖而出，证明以项目为先的方法是从理论过渡到实际影响的关键。我的机器学习之旅的关键步骤
01.打好数学基础
并非所有机器学习职位都需要深厚的数学专业知识，尤其是在机器学习工程领域。对于像我这样更倾向于工程而非研究的人来说，重点关注矩阵、微积分、概率和线性代数。02.学习 Python 和核心库
Python 在机器学习中很重要,所以尽早掌握它是关键。我建议任何初学者都参加 Python 课程(像 FreeCodeCamp 的课程)来打好语法和核心概念的基础。- Matplotlib & Seaborn：绘图工具及数据可视化分析
- scikit-learn：用于实施算法、模型选择和评估的核心 ML 库
- 资源：机器学习入门书，对关键算法有清晰的介绍，不会感到不知所措
分类: K 近邻(KNN)、决策树、随机森林、支持向量机(SVM)、梯度提升机(GBM)性能指标（准确率、精确度、召回率、F1 分数、MSE）斯坦福大学的机器学习课程非常棒，但可能会偏重于数学，所以开始时可能会感觉有些困难。一旦掌握了窍门，你就会获得很强的优势。（课程地址：https://www.bilibili.com/video/BV1JE411w7Ub/?spm_id_from=333.337.search-card.all.click&vd_source=49d02d485b633afbc7c0d3c49b072732）书籍：《Python机器学习：基于PyTorch和Scikit-Learn》论文：《机器学习中的模型评估、模型选择和算法选择》（https://arxiv.org/abs/1811.12808）其他：机器学习面试入门书 · MLIB（地址：https://huyenchip.com/ml-interviews-book/）建立个人项目是关键的,但不要止于此。部署、公开它们，这样你可以获得宝贵的反馈并从现实世界的挑战中学习。黑客马拉松：迫使您在时间限制下实际应用机器学习,这可以提高技能并展示您的能力。Kaggle：学习过去获胜的解决方案,从他人如何解决机器学习问题中学习。互动:在 Twitter 上与机器学习爱好者联系,主动寻求反馈。导师可以引导您的旅程,提供洞见,开启新的大门。部署项目对于弥合构建和共享 ML 应用程序之间的差距至关重要。Flask：用于通过 API 提供模型服务的轻量级框架。云服务：使用 AWS、Azure 或 GCP 等平台进行高效部署和扩展。快速应用部署：Streamlit 和 FastAPI:快速应用部署和高性能 API 创建的理想选择。容器：Docker 和 Kubernetes：用于部署中的容器化和编排的简化。06.目标清晰度：ML 工程师 vs. ML 研究了解你的职业目标很重要。如果你的目标是成为像我一样的机器学习工程师，请关注应用而不是深入理论。何时深入研究“深度学习Deep Learning”从应用机器学习开始，建立坚实的基础,只有当你的项目需要时，才转向深度学习。当你着手更复杂的项目,如处理文本、图像或识别复杂模式时,你会有探索深度学习方面的冲动。这种转变就像升级到一个更高级的工具包,可以更轻松地处理复杂的任务。从创建基本神经网络开始,这是深度学习的基础。熟悉层、神经元以及它们如何协同工作来从数据中学习。一个有趣的入门项目是使用 MNIST 数据集建立数字分类器。这个项目可以帮助您了解数据如何流经网络,以及网络如何学会做出预测。卷积神经网络(CNN):非常适合与图像相关的任务,CNN 能够识别图像中的模式和特征。尝试对动物或物体的图像进行分类,看看 CNN 如何检测细节。补充资料：CS231n:计算机视觉的深度学习（课程地址：https://www.bilibili.com/video/BV1nJ411z7fe/?spm_id_from=333.337.search-card.all.click&vd_source=49d02d485b633afbc7c0d3c49b072732）递归神经网络(RNNs):非常适合处理序列数据,RNNs 可以很好地完成生成文本或情感分析等任务。一个简单的聊天机器人是了解 RNNs 如何掌握上下文的有趣方式。理解 LSTM 网络 （地址：https://colah.github.io/posts/2015-08-Understanding-LSTMs/）PyTorch RNN 从头开始 （地址：https://jaketae.github.io/study/pytorch-rnn/）从零开始学习深度学习可能需要花费大量时间。迁移学习可以让你先训练的模型适应您的需求，从而节省时间和精力。例如,使用像 ResNet 这样的预训练模型进行图像识别任务，可以快速获得出色的结果。生成对抗网络(GANs):这些模型由两个网络组成,相互竞争以创造逼真的图像、独特的艺术作品甚至音乐。使用 GANs,您可以设计生成逼真的景观或原创艺术品的项目。Transformers：Transformers就是革命性的。BERT 和 GPT 等模型中的T就是Transformers。如果你专注于文本类任务,这是你跨不过去的知识点。它们非常适合于聊天机器人、语言翻译和总结,使您的项目听起来更自然和具有背景意识。视频：从头开始在 PyTorch 上编码 Transformer,并提供完整解释、训练和推理。（地址：https://www.youtube.com/watch?v=ISNdQcPhsts&t=7449s）Attention Is All You Need（地址：https://arxiv.org/abs/1706.03762）
The Illustrated Transformer（地址：https://jalammar.github.io/illustrated-transformer/）The Annotated Transformer by Harvard（地址：https://nlp.seas.harvard.edu/annotated-transformer/）Thinking like Transformer（地址：https://srush.github.io/raspy/）自编码器：非常适合清洁数据和发现模式。它们可以增强噪音图像或突出关键特征。Reinforcement Learning强化学习:适用于通过实验学习构建模型,在机器人和基于策略的人工智能(如自动驾驶汽车)中很有用。深度学习 由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 编著：一部全面涵盖深度学习概念的著作。模式识别与机器学习 by Christopher M. Bishop：着重于机器学习中的统计技术。使用 Python 的计算机视觉深度学习实用应用 by Adrian Rosebrock这个以项目为先、以代码为驱动的机器学习方法给我的学习和职业带来了巨大的回报。我希望这个路线图能为您提供一个结构化且灵活的路径,帮助你在机器学习的旅程中取得成功!转自：Nona的AI笔记
本文仅用于学术分享，如有侵权，请联系后台作删文处理
