最值得收藏的机器学习入门方法，今天统统分享给你
这里是语言风趣，画风搞怪，演技动人的脏辫小哥Jabrils的油管专栏，每周10分钟，原来机器学习也可以这样好玩！ 原标题 HOW TO GET STARTED WITH MACHINE LEARNING! 翻译 | 杨惠淳 字幕 | 凡江
一说到机器学习，我被问得最多的问题是：给那些开始学习机器学习的人的最好的建议是什么？
其实说句实话，我并不知道怎么回答这个问题。每一个学习者都是独一无二的个体，有自己的学习需求和目的。我所能做的，就是分享一下当初我开始学习机器学习的时候，对我很有用的方法。
我是如何开始接触机器学习的
让时间回到2017年，我看到了SethBling实现机器学习来玩游戏的一个小演示。
Sethbling-Marl/O-Machine Learing for Video Games
这个小机器人有了自主学习的能力，甚至可以一次又一次地玩马里奥游戏，当时我就震惊了。在那之后，我看到了别的使用神经网络的机器人，被用于各种不同的游戏——
Ding Nicolas-A genetic algorithm learns how to fight!
从 Caryhk 传统的机器学习项目
carykh-Neural Networks and Unwanted Pregnancies in Evolv.io!
到星际机器学习项目——
Youtube Uploaded-AI SC2 FirstSteps
有些人还做了关于侃爷 Rap 的 LSTM 项目
Rabboie Barrat-Neural Network Generated Rap, V2
还有Dota2的Open AI
Dota 2 Dendi vs OpenAI(Bot)-1v1-T17
sentdex 制作的 GTA
sentdex-Stream, FPV, and more dada-Python plays GTA P.15
我知道我必须要去学机器学习，这玩意儿简直太酷了。
我安装了TensorFlow，从syntax上下载了些代码，但是完全不知道代码里是怎么一回事，神经网络的确成功地使用大量的数据集，训练了模型，但我对代码所做的每一次修改都会报错，部分是因为 Python的语法我之前完全没接触过，更为重要的是，我完全不知道该怎么写神经网络。
我先是快速Google了一下“怎样写一个神经网络？”，我发现了一个由完全听不同的数学和符号组成的庞然大物，对我而言看上去就像是外星语，那时我感觉到了强烈的挫败感，但我不达目的誓不罢休。就在那时我接触到了Coursera上吴恩达的机器学习课程，我的天，那个课程同样也是外星语，我能够完成前几章课程完全没有问题，但那之后，吴恩达又开始讲外星语了。
我是如何坚持下去的
同志们，如果像我这样开始机器学习旅程，毫无疑问你会碰到一次巨大的词汇冲击。相信我，你大多数的困惑是因为无法理解提及的单词所引起的。当我意识到这个之后，我改变了我学习方法，转而去学习这个庞大的外星语。在我学习的过程中，有很多术语和符号会反复出现：向量，矩阵，激活函数传播，机器学习等等。我在“向量”这个概念上花了一段时间，感谢 unity3D，每当我觉得理解了机器学习中的一些概念，比如矩阵乘法，我都会回到我最喜欢的机器学习资源，去看看它们对于我来说，是不是变得容易理解了。我很惊讶突然之间，我能够稍微更好地理解这门外星语了。
每当有概念毫无头绪让我止步不前，我都会把他们单独拿出来，举个例子，当我遇到sigmoid或者其他的激活函数，我就会列出一堆困扰我的问题，然后一个个单独查找。
说到这，我非常推荐可汗学院.com。这里有所有在你写自己的机器学习算法所要用到的。我在这里列出了一些你需要去学习的很重要的数学课供你参考，对我个人而言，帮助很大。
我个人很喜欢的学习资源：
Activation Functions - https://en.wikipedia.org/wiki/Activation_function Luis Serrano's Neural Network Series (REALLY GOOD) - https://www.youtube.com/watch?v=UNmqTiOnRfg Giant_Neural_Network's Neural Network Series (REALLY GOOD) - https://www.youtube.com/watch?v=ZzWaow1Rvho Macheads101's Neural Network series - https://www.youtube.com/watch?v=OypPjvm4kiA 3Blue1Brown's Neural Network Series - https://www.youtube.com/watch?v=aircAruvnKk Hugo's Neural Network Series - http://www.mooc.ai/course/300 James Mccaffrey Talk (A BIT OUTDATED INFORMATION BUT STILL A FUN ONE)- https://www.youtube.com/watch?v=-zT1Zi_ukSk
一些很重要的数学课
Vectors (explained with Linear Algebra): https://www.khanacademy.org/math/linear-algebra/vectors-and-spaces Vectors (explained with PreCal): https://www.khanacademy.org/math/precalculus/vectors-precalc Matrices: https://www.khanacademy.org/math/precalculus/precalc-matrices Sequences: https://www.khanacademy.org/math/precalculus/seq-induction Derivative Rules: hhttps://www.khanacademy.org/math/ap-calculus-bc/bc-derivative-rules
一些可能会帮助到你的数学课
Algebra Functions: https://www.khanacademy.org/math/algebra/algebra-functions Quadratics: https://www.khanacademy.org/math/algebra/quadratics Irrational: https://www.khanacademy.org/math/algebra/rational-and-irrational-numbers Analyzing Categorical Data: https://www.khanacademy.org/math/statistics-probability/analyzing-categorical-data
我的建议
（1）更好地理解伪代码
我觉得学习如何写机器学习算法最好的方法，就是去更好地理解伪代码。我们要理解如何去计算它们，还有各种不同的能够相互转换的指数。在我的经验里，大多数情况下，伪代码是十分清晰的。但如果不是的话，可能是因为在外星语中出现的太频繁了。
学习怎样将伪代码转换成你最喜欢的编程语言，其实是最重要的事。其实没有一个一码通吃的神经网络，实际上当你从不同的老师那里学习怎样写神经网络的时候，请一定要注意，他们不会总是使用同样数量的输入，隐藏层节点，激活函数，可能连术语都不一样，有些老师可能会把偏置说成另一个词，这就是伪代码如此重要的原因。
（2）前馈神经网络例子
除了之前所说的我能给你最好的建议，就是用一个简单的前馈神经网络例子来开始你的学习，这有一个很好的例子——做一个文字颜色预测器，当你提供给它，红，绿，蓝值作为输入的时候，尝试去训练它作出，在此之上应该使用深色字还是浅色字，让它能够可以被认出来的预测。我觉得这是个很好的有很简单的项目，值得认真研究以此来学习机器学习的基础。
（3）立刻开始着手
建议你从最开始就着手写你的神经网络，我指的是你学习的第一天，就在这个视频结束的时候，立刻打开你的IDE。纸上得来终觉浅，绝知此事要躬行。尽管理论上知道，如何写神经网络很酷，但实际去写一个神经网络是完全不同的。
当你开始去写一个神经网络的时候，你会卡住，然后你就有了第一个需要去找的问题，尝试去解决它，如此往复，直到你成功。我特别希望，从最一开始我就知道这个建议，这可能会减少我大部分学习的时间。
（4）站在巨人的肩膀上
如果你真的想要能够很好地写出机器学习算法，你需要依靠他人的研究和代码，因为事实上这其实还是一个刚起步的领域，每周都会有新的东西诞生。
最后一个我想给你们的重要建议是，其实你也可以不像我之前说的那样做，形象点来说，机器学习就好像电脑一样。如果你真的想要一台电脑，你可以从头组装一台，或者你也可以直接买一台整机，这两件事最后的结果是一样的。我个人想要去学习如何从头构建神经网络因为，我是个控制欲很强的疯子。
有很多诸如，TensorFlow，PyTorch，Theano，Keras，和其他的机器学习框架，他们就好像是一台装好的电脑，你可以直接开始看教程，开始学习怎样去使用它们，你不需要关心很多，诸如导数，矩阵乘法，激活函数这些概念，这些机器学习框架已经把大多数复杂的事情做好了，不过显而易见的，以此为代价的就是，当网络内部出现问题，或者运行不正确时，找出哪里出现问题，会是件很困难的事，这都取决于你想要什么。
不管怎么样，请一定要记得满足你的好奇心，在机器学习的道路上走得越来越远。
视频原址 https://www.youtube.com/watch?v=I74ymkoNTnw