六、最好的机器学习资源

制定课程表的一般建议

你不能深入每个机器学习话题。有太多药学的东西，并且领域的进展较快。掌握基础概念，之后专注特定兴趣领域的项目 — 无论是自然语言理解，计算机视觉，深度强化学习，机器人，还是任何其它东西。

2. 围绕最感兴趣的话题设计你的课程表

对于一些长期学习，或事业目标来说，动机远比稍微优化的学习策略重要。如果你玩的开心，你就会进展较快。如果你尝试强迫你自己前进，你就较慢。

编程

线性代数

微积分

机器学习

  • 课程
    • 吴恩达的机器学习课程，在网易云课堂上（更严格来说，是。
    • 数据科学训练营：Galvanize（全日制，三个月，较贵）；（时间灵活，六个月，较便宜）。
  • 课本
    • 统计学习导论（英文，），Gareth James 等人所著。本质性机器学习概念的优秀参考，英文版免费。

深度学习

  • 课程
  • 项目
    • ，有趣而遍历的，基于项目的课程。项目包括猫狗的图像分类，和尼采哲学的作品生成。
    • 使用 TensorFlow 分类 MNIST 手写数字。使用这个 Google 的教程，以超过 99% 的准确率，在三个小时内分类手写数字。
    • 亲自试试 。实现感兴趣的深度学习论文，使用 Github 上的其它版本作为参考资料。
  • 阅读
    • 深度学习圣经，Ian Goodfellow，Yoshua Bengio 和 Aaron Courville 所著。
    • ，清晰和在线刻度的深度学习教程，Michael Nielsen 所著。以一些到达人类级别的智能结尾。
    • 深度学习论文阅读路线图，关键论文的全集，按照时间和研究领域组织。

强化学习

  • 课程
    • John Schulman 的 CS294：深度强化学习，位于 UCB。
    • ，由 OpenAI 和 UCB 组织。应用当前关闭了，但是值得看一看未来的课程。
  • 项目
    • Andrej Karpathy 的 Pong from Pixels。从零开始，在 130 行代码之内，实现打乒乓球的智能体。
    • Arthur Juliani 的 。使用 TensorFlow 实现 Q-learning, policy-learning 和 actor-critic 方法，和探索策略。
    • 更多思路请查看 OpenAI 的 requests for research。
  • 阅读
    • Richard Sutton 的书，。

人工智能安全

时事通讯

  • Import AI，每周的 AI 通讯，涵盖业界的最新发展。由 OpenAI 的 Jack Clark 筹划。
  • ，由 Sam DeBrule 筹划。它是这个领域中经常客串的专家。
  • Nathan.ai，涵盖近期新闻，和风投视角的 AI/ML 评论。
  • ，由 Denny Britz 维护。标题说明了一切。

来自其他人的建议

最后祝你好运，再见。