入门机器学习的路线图，国外优质资源推荐

机器学习如何入门？大家应该也看过很多路线图了，今天向大家介绍towardsdatascience上一个博主推荐的机器学习入门步骤和课程，看看国外的小伙伴是怎么学习的。

https://towardsdatascience.com/beginners-learning-path-for-machine-learning-5a7fb90f751a

提醒一下： ♈每个人的基础不一样，没有必要一定按照这个顺序学习。 ♊本文并非完整翻译，我加了一些对课程的介绍和评价。 ♍感兴趣的课程可以自行去小破站找资源，大部分应该已有搬运了。 ⛎无需迷信，其实国内也有很多优秀的公开课，这个有机会另起一篇再做介绍。

?第一步：基础编程

?哈佛大学的最受欢迎的课程之一：CS50，面向编程初学者，内容包括基本的计算机知识以及基础算法，常见的编程语言。

https://www.edx.org/course/cs50s-introduction-computer-science-harvardx-cs50x

?如果想直接开撸Python，可以考虑麻省理工学院计算机科学导论。这门课用了不少的篇幅讲计算机科学、数据结构、编程思维方面的内容。另外，本课是Python3.5教学，重点偏解决实际问题。

?对面向对象编程不太熟悉的同学，还可以选择性看一下《Computing in Python》，主要介绍有关递归，搜索和排序算法以及Python中的面向对象编程。

https://www.edx.org/course/computing-in-python-iv-objects-algorithms

?数据结构和算法也是必须要学的，这一块很多转行的同学比较容易忽视，推荐微软出品的一门公开课。

https://www.edx.org/course/algorithms-and-data-structures

?也可以选择加州大学的数据结构与算法专项课程，内容上比微软的更丰富、更深入，相应的学习周期也会更长、难度也更大，可以根据自身实际情况二选一。

https://www.coursera.org/specializations/data-structures-algorithms

?第二步：数学

机器学习中的数学部分可浅可深，作为入门掌握向量，矩阵，微积分，概率和统计即可，可以在khanacademy.org搜索相关课程（注：网易公开课上有很多已翻译的可汗公开课），不过这些课程都是纯基础，没有和机器学习相结合。

?敦帝国学院的《机器学习专业数学课》很不错，分为三个部分，线性代数、多元微积分和PCA：

https://www.coursera.org/learn/pca-machine-learning https://www.coursera.org/learn/multivariate-calculus-machine-learning https://www.coursera.org/learn/linear-algebra-machine-learning/

?麻省理工学院有一门很不错的统计学课程 https://www.edx.org/course/fundamentals-of-statistics-2

?想走捷径的同学可以考虑微软出的《机器学习的基本数学：Python版》，亮点使用python著名的库Numpy，pandas，matplotlib以图形方式教授数学。

https://www.edx.org/course/essential-math-for-machine-learning-python-editi-2

?统计学方面薄弱的同学可以考虑Udacity上的3个统计学专免费课程 https://www.udacity.com/course/intro-to-statistics--st101 https://www.udacity.com/course/statistics--st095 https://www.udacity.com/course/intro-to-inferential-statistics--ud201

?第三步：工具包

线代、微积分、概率统计搞定之后可以重点学一下Python中的Numpy，Pandas，Matplotlib，Scipy。这部分推荐几个课程，选择性看一两个就行（建议直接看最后一个，加州大学那个）。

?密歇根大学的《Python统计专业化课程》

https://www.coursera.org/specializations/statistics-with-python

?密歇根大学的《Python数据科学概论》，这个偏数据分析，重点讲了numpy和pandas

https://www.coursera.org/learn/python-data-analysis?specialization=data-science-python

?哈佛大学的《Python for Research》，特色是有很多案例

https://www.edx.org/course/using-python-for-research

?加州大学的《Python for Data Science》，这门课内容比较全面，包括：Jupyter notebooks、pandas、NumPy、Matplotlib、git、sci kit-learn、NLTK等。

https://www.edx.org/course/python-for-data-science-3

?第四步：实用机器学习

?没什么好说的，首推吴恩达的《机器学习》，必须学，不解释 https://www.coursera.org/learn/machine-learning?

?然后就可以去deeplearning.ai学习如下几门（链接不贴了，自行搜索吧）

• Neural Networks and Deep Learning
• Improving Deep Neural Networks: Hyper-parameter tuning, Regularization, and Optimization
• Structuring Machine Learning Projects
• Convolutional Neural Networks
• Sequence Models