起航学习网

如何自学人工智能技术，人工智能自学可以吗，如何自学人工智能技术才能成功呢？

不少同学跃跃欲试，想投入 AI 的怀抱，但苦于不知如何下手。其中，人工智能的核心就是机器学习（Machine Learning），它是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

自学人工智能可行吗？

可以很肯定的说，是可行的，只是这个领域的门槛相对较高，想要入门甚至入职这个行业还是比较有难度的。

怎么学人工智能编程：http://qh.itpxw.cn/ai/python/201839581.html

学人工智能10本必看书：http://qh.itpxw.cn/ai/python/201839580.html

人工智能属于什么专业：http://qh.itpxw.cn/ai/python/201839579.html

如果你擅长以下几个方面中的一个或几个，成功的机会会大很多，如果。

1.数学知识（统计学背景也行）:人工智能虽然不要求你数学多么厉害，但还是需要一些数学基础的（理解算法原理需要，其实程序员应用人工智能方面的技术有很多成熟的框架，不一定需要你深入理解底层原理），如果你本科期间是数学专业的，入门将会比较容易，当然不是数学专业也没关系，因为对数学的要求也不是很高，相关知识一般理工科的本科生都学过（线性代数、概率论、简单微积分）。

2.计算机基础:人工智能作为计算机相关的一个领域，有相关基础那是再好不过了，计算机专业的知识将很大程度上决定你能在人工智能领域走多远，当然没有基础也不是不可以，但你至少还是要学门程序语言，比如说Python或R语言。

3.英语能力:同上面两点一样，英语能力不是必须的，但具备相关能力将锦上添花。人工智能兴起于欧美，目前大多数学术研究和商业应用也在欧美，所以如果你英语很好，这对资料阅读将会非常有利。

4.惊人的毅力:这个不用多说。学习一门前沿技术不是三两天的事，主要还是看你能坚持多久，如果你完全零基础，要想入门人工智能（更具体点说应该是机器学习或者深度学习吧），保守估计得半年，如果你一边工作一边学习可能会更久，所以要做好心理准备不要半途而废。

以下是一些建议:

1.有条件的还是报个班全力学吧（如果是在校学生其实也可以自学，毕竟学生有充足的可支配时间而且数学没落下)

2.多在网上找资源，推荐吴恩达的机器学习课程和深度学习课程(国内MOOC平台网易云课堂上有他的课，国外的Coursera上也有，语言英语，免费)，适合入门，国内很多MOOC平台上有计算机专业的课程，学程序语言可以在上面找，中文授课英文授课的都有，完全免费。

3.台湾学校的一些课程也不错，比如说机器学习基石，机器学习技法，从数据中学习(这个系列也是适合入门的)。

4.多看看相关大牛的技术博客，多上一些代码托管平台，开源网站逛逛。

总而言之，没基础想学习入门完全是可以的，只是想要有所建树比较难，但是也要正式现实，想要零基础转行一定要慎重(风险太大，尤其是年龄偏大的)，如果你是在校生，那真的很鼓励你学一学，人工智能正开始兴起(如同零几年的互联网)，哪怕你最终没有掌握，了解一下也是可以的，毕竟这是将来的趋势。

我们今天就来分享一篇来自 EliteDataScience 上专门讲给机器学习入门自学者的教程，一步步教你如何从基础小白进阶为 ML 大拿。快上车吧，别找硬币了，这趟车不要钱！

你是否正在准备自学机器学习，但又不知道怎么去学、还被那些贵的要命的培训课程吓得不行？

今天我们在这篇文章里就教你怎样免费获得世界级的机器学习教育，你既不需要有博士学位，也不必是技术大牛，更不必卖好几个肾去买一份很贵的培训课程。不管你是想成为数据科学家还是在开发中使用机器学习算法，其实你都能比想象中更快地学习和应用机器学习。

本文告诉你在机器学习之路上的几个步骤，保你不会迷路，下面开始我们的表演。

第一步：先搞懂什么是机器学习

在闷头学习机器学习之前，最好先把什么是机器学习搞清楚，了解机器学习的基本概念。

简单来说，机器学习就是教电脑怎样从数据中学习，然后做出决策或预测。对于真正的机器学习来说，电脑必须在没有明确编程的情况下能够学习识别模型。

机器学习属于计算机科学与统计学的交叉学科，在多个领域会以不同的面目出现，比如你应该听过这些名词：数据科学、大数据、人工智能、预测型分析、计算机统计、数据挖掘······

虽然机器学习和这些领域有很多重叠的地方，但也不能将它们混淆。例如，机器学习是数据科学中的一种工具，也能用于处理大数据。

机器学习自身也分为多个类型，比如监督式学习、非监督式学习、增强学习等等。例如：

邮件运营商将垃圾广告信息分类至垃圾箱，应用的是机器学习中的监督式学习；电商公司通过分析消费数据将消费者进行分类，应用的是机器学习中的非监督式学习；而无人驾驶汽车中的电脑合摄像头与道路及其它车辆交互、学习如何导航，就是用到了增强学习。

第二步：预备知识

如果没有基本的知识储备，机器学习的确看起来很吓人。要学习机器学习，你不必是专业的数学人才，或者程序员大牛，但你确实需要掌握这些方面的核心技能。

好消息是，一旦完成预备知识，剩下的部分就相当容易啦。实际上，机器学习基本就是将统计学和计算机科学中的概念应用在数据上。

这一步的基本任务就是保证自己在编程和统计学知识上别掉队。

2-1：用于数据科学中的Python编程

如果不懂编程，是没法使用机器学习的。幸好，这里有份免费教程，教你如何学习应用于数据科学中的Python语言：

注：景略集智再补充三个资源：

[Python入门] 01 基本法则 - 集智专栏：

从零学习数据科学中Python的完全指南：

2-2：用于数据科学的统计学知识

了解统计学知识，特别是贝叶斯概率，对于许多机器学习算法来说都是基本的要求。

这里有份学习数据学习中统计学知识的教程

2-3：需要学习的数学知识

研究机器学习算法需要一定的线性代数和多元微积分知识作为基础。点这里，获取一份免费学习教程：

第三步：开启“海绵模式”，学习尽可能多的原理知识

所谓“海绵模式”，就是像海绵吸水一样，尽可能多地吸收机器学习的原理和知识，这一步和第一步有些相似，但不同的是，第一步是对机器学习有个初步了解，而这一步是要掌握相关原理知识。

可能有些同学会想：我又不想做基础研究，干嘛要掌握这些原理，只要会用机器学习工具包不就行了吗？

有这个疑问也很正常，但是对于任何想将机器学习应用在工作中的人来说，学习机器学习的基础知识非常重要。比如你在应用机器学习中可能会遇到这些问题：

• 数据收集是个非常耗时耗力的过程。你需要考虑：我需要收集什么类型的数据？我需要多少数据？等此类的问题。

• 数据假设和预处理。不同的算法需要对输入数据进行不同的假设。我该怎样预处理我的数据？我的模型对缺失的数据可靠吗?

• 解释模型结果。说机器学习就是“黑箱”的观点明显是错误的。没错，不是所有的模型结果能直接判读，但你需要能够判断模型的状况，进而完善它们。我怎么确定模型是过度拟合还是不充分拟合？模型还有多少改进空间？

• 优化和调试模型。很少有人刚开始就得到一个最佳模型，你需要了解不同参数之间的细微差别和正则化方法。如果我的模型过度拟合，该怎么修正？我应该将几个模型组合在一起吗？

要想在机器学习研究中解答这些问题，掌握机器学习的知识原理必不可少。这里推荐两个世界级的机器学习课程，一定会让你受益良多：

哈佛大学的机器学习课程，让你了解从数据收集到数据分析的整个流程：

（提示：这个课程和吴恩达教授的课程配合食用，效果更加）

斯坦福大学的机器学习课程，清楚地讲解了机器学习的核心概念：

还有两部值得读的参考书籍：《统计学习导论》和《统计学习基础》

注：看不惯英文原版的同学，可以去读这两本书的中文版。

逛论坛不容易看到高阶知识，你不能一直停留在菜鸟阶段不是，要升级就有必要看看专业的论文。arXive是个好去处，是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。

第四步：针对性实际练习

在开启“海绵模式”后，你应该掌握了机器学习的基础理念知识，接着就该实际操作了。

实际操作主要是通过具体的、深思熟虑的实践操作增强你的技能。本步目标有三个：

• 练习机器学习的整个流程：收集数据，预处理和清理数据，搭建模型，训练和调试模型，评估模型。

• 在真正的数据集上实践操作：对于什么样的数据适合用什么类型的模型，自己应逐渐建立这方面的判断能力。

• 深度探究：例如在上一步，你学习了很多机器学习算法知识，在这一步就要将不同类型的算法应用在数据集中，看看哪个效果最好。

完成这一步后，就可以进行更大规模的项目了。

4-1 九个基本部分

机器学习是一个非常广泛和丰富的领域，几乎在每个行业都有应用。因为要学习的东西太多，初学者很容易发慌，而且在面对很多个模型时也很容易迷失，看不到大局。

因此，我们把机器学习大概划分为九个部分：

ML整体学习:

基本的机器学习原理，比如方差权衡这些知识。

优化：

为模型发现最优参数的算法。

数据预处理：

处理缺失数据、偏态分布、异常值等。

取样和拆分

怎样拆分数据集来调整参数和避免过度拟合。

监督式学习

使用分类和回归模型从标记数据中学习。

非监督式学习

使用因素和集群分析模型从非标记数据中学习。

模型评估

根据不同的性能度量做出决策。

集成学习

将不同模型相结合，达到更好的性能。

商业应用

机器学习如何帮助不同类型的商业业务。

4-2 实践工具

对于初学者，我们建议采用现成可用的算法，这样可以把时间用在熟悉机器学习流程上，而不是写算法。根据你使用的编程语言，有两个不错的工具（链接为使用教程）：

Python的Scikit-Learn、R语言的Caret

4-3 利用数据集实践操作

在这步需要用数据集进行搭建和调试模型的实际操作，也就是将你在“海绵模式”阶段学到的理论转变为代码。我们建议你选择UCI Machine Learning Repo，Kaggle和http://Data.gov上的数据集开始入手：

UCI Machine Learning Repo、Kaggle

第五步：机器学习项目

终于到了最后一步，也是很有意思的一步。目前为止，我们已经完成了：知识储备、掌握基本原理、针对性练习等阶段，现在我们准备探究更大的项目：

这一步的目标就是练习将机器学习技术应用于完整的端到端分析。

任务：完成下面的项目，依次从易到难。

5-1：“泰坦尼克号”幸存者预测

“泰坦尼克号”幸存者预测是练习机器学习时相当流行的选择。而且有非常多的教程可供参考。

5-2 从零开始写算法

我们建议你先以一些简单的方面写起：逻辑回归、决策树、k 最近邻算法等。

如果中间卡住了，这里有些小技巧可以参考：

• 维基百科是个不错的资源库，提供了一些常见算法的伪代码。

• 可以看看一些现成ML工具包的源代码，获得灵感。

• 将算法分为几部分。写出取样、梯度下降等的分离函数。

• 在开始写整个算法前，先写一个简单的决策树。

• 5-3 选个有趣的项目或自己感兴趣的领域

其实这应该是机器学习最棒的部分了，可以利用机器学习实现自己的想法。

如果实在没想到好点子，这里有6个有趣的初学者机器学习实践项目：

结语：

如果你按照这个步骤一步步扎实学习的话，相信你最终一定在机器学习方面小有成就！

我们对初学机器学习的人还有10个小小的tips：

1. 为自己设定学习目标和期限，尽力完成。

2. 打好学习基础，掌握基本理论。

3. 将实践理论相结合，不要只关注某一个方面。

4. 试着自己从头写几个算法。

5. 多角度思考问题，找到自己感兴趣的实践项目。

6. 多想想每个算法能产生什么价值。

7. 不要相信科幻电影中对ML的胡吹。

8. 别过度理会网上关于ML知识的争论。

9. 多想想数据的“输入/输出”，多问问“为什么”。

10. 上集智，第一时间将自己升级。→→  集智 - 通向智能时代的引擎

最后，祝同学们学有所成！

文章出自：http://qh.itpxw.cn/ai/python/201839582.html

文章标题：如何自学人工智能



免责声明：本站文章均由入驻起航学习网的会员所发或者网络转载，所述观点仅代表作者本人，不代表起航学习网立场。如有侵权或者其他问题，请联系举报，必删。侵权投诉

(责任编辑：IT培训网)