选择最适合你的机器学习课程，解锁AI技能 | AI课程指南

热门头条1年前 (2023)更新沈浪@葫芦娃AI

6.4K 0 0

摘要: 如何选择最适合你的机器学习课程？这篇文章为你提供了周围多位专业人士的建议，以及针对不同学科背景的机器学习课程推荐。了解基础知识、掌握进阶通用知识，还有细分领域知识，让你更快速地掌握机器学习技能。立即开始你的AI学习之旅吧！

机器学习课程选择指南

没有最好的机器学习课程，只有最适合你的机器学习课程。为了解决这个问题，我咨询了周围多位在读和毕业的博士，他们都是从事机器学习方向的专业人士。由于机器学习是一个跨学科的领域，不同背景的人选择的学习路径和侧重点也各不相同。以下是他们的建议：

博士A（计算机本硕）

博士A的编程和算法背景比较扎实，很容易上手实验和项目。他推荐了吴恩达在Coursera开设的机器学习课程以及斯坦福大学的深度学习课程。此外，他还建议补充数学知识，如线性代数和高等数学，以提高在算法理解和设计方面的能力。

博士B（数学本，计算机硕）

博士B的数学基础非常扎实，编程能力稍弱。他推荐了帝国理工大学在Coursera开设的《Mathematics for Machine Learning Specialization》和斯坦福大学的《Statistical Learning》。掌握扎实的数学知识对于理解算法背后的数学模型非常重要。此外，他还建议加强编程练习和算法实现的能力。

博士C（建筑本硕）

博士C的优势是跨学科，他将机器学习看作解决问题的工具。在刚开始读博时，他花了很多时间学习编程技巧和数学基础。对于机器学习有了整体的认识后，他成功地将机器学习方法应用于解决建筑领域的问题。

博士D（商科本硕）

博士D具有很强的商业和市场洞察力，将机器学习简单而实用的方法与商业场景结合，取得了不错的效果。不过，他的编程和数学基础相对较差，需要花更多的时间来补充这方面的短板。

从以上几位博士的建议来看，机器学习的学习因人而异，根据你的学科背景和知识掌握程度选择最合适的课程是最科学的方法。此外，我还给出了一个窍门，就是先掌握LLM（大语言模型），它汇集了机器学习相关的重要知识。在这方面，CHAT GPT是一个非常出色的模型，它可以解答你在机器学习过程中遇到的大多数问题。你可以参考知乎知学堂开设的AGI课程，里面有关于LLM的详细介绍和常用使用方法。

接下来，我将机器学习的主要三个部分罗列出来，并简要介绍每个部分的内容。

基础知识

基础知识包括数学、计算机和专业英语三个方面。

数学

高等数学：机器学习公式推导必备。
线性代数：算法求解必备。
概率论：机器学习必备。

对于高等数学、线性代数和概率论，我推荐吴恩达创建的deeplearning.ai网站上的课程。这个课程适合AI初学者，涵盖了这三门课的内容。

计算机

计算机方面的主要内容是编程，目前用于机器学习和人工智能的主流编程语言是Python。因此，我强烈建议非计算机专业的同学先学习Python。Python语言实现起来比较容易，有许多库可以直接使用，如pandas、Scipy和Numpy。你可以在w3schools网站上找到一个免费的Python在线课程。

专业英语

掌握一定程度的英语对于学习机器学习非常有帮助，因为很多最新的技术和文档都是英文的。如果你的英语水平良好，可以尝试使用github上的一个专门给程序员学英语的资料库。

进阶通用知识

进阶通用知识包括统计分析、数据可视化和机器学习。

统计分析

统计分析是数据科学和机器学习的基础，用于从数据中提取模式、关系和趋势。推荐阅读《统计学：从数据到结论》，这本书很好地介绍了统计学的基本概念和方法。此外，斯坦福大学开设的「Probability & Statistics for Machine Learning & Data Science」课程也是一个很好的选择。

数据可视化

数据可视化有助于更好地理解数据。推荐IBM开设的「Data Visualization with Python」课程，它教授了使用Python进行数据可视化的技巧和方法。你还可以在Github上找到一些优质的数据可视化教程。

机器学习

机器学习算法包括监督学习、无监督学习和强化学习等不同类型，用于分类、回归、聚类、降维、推荐系统等各种任务。推荐IBM开设的「Machine Learning with Python」课程，它基于Python，涵盖了机器学习的基本概念和常用算法。此外，哈佛大学开设的「Data Science: Machine Learning」课程也是一个很好的选择。