喵喵喵~大家元宵節快樂噢。有沒有要陪小夕出去看煙花的吖...

小夕借此給熱愛學習的喵喵們獻上這篇拙文，希望不要嫌棄哦~

還有，小夕畫的封面圖是不是很棒呀(￣?￣)

小夕發現現在想進軍人工智能領域的程序yuan甚至少年少女喵好多呀，但是有幾只向我吐槽過網上的資料很多很雜，入門指導基本是雜而不實，很容易讓人滿腔熱情的開始，卻又一臉懵逼的放棄。于是小夕來拯救世界啦！~

小夕的車轍

小夕從大二開始做人臉識別，后來發現很快遇到了瓶頸。于是開始學機器學習理論，又很快遇到了瓶頸，于是又開始補數學。補完數學又鉆模式識別，又被虐了，但還是辛苦的啃完了《模式分類》。后來學深度學習。再后來不停的論文論文論文、代碼代碼代碼...

?

由于小夕是從工程出發然后到理論，再回工程的道路，小夕覺得這樣走的彎路挺大的。而且前期做工程的時候真的很懵逼，各種看不懂然后跳過。

所以小夕這里分享給大家的道路是從理論到工程的平坦上升的道路。當然啦，理論中肯定會穿插代碼實踐。小夕希望這是一條靠譜的、沒有知識斷層的深度學習/機器學習的入門之路，希望能在真正意義上幫到大家。

前言

本指導適合于真正有志于鉆研機器學習（含深度學習）、模式識別及其相關應用領域的人。對于那種“1個月入門機器學習”的大忽悠學習模式，小夕這里沒有噢~

?

理論上說，完全小夕的整個入門指導后，應對整個機器學習大框架、理論細節、工程能力都有了比較好的積累。

?

在此之后可以偏向工程，輕松玩TensorFlow、Caffe等DL框架，轉CV、NLP等應用性更強的方向；也可以偏向理論，比較輕松的看看最新的paper，跟上學術界的最前沿。但是工程與理論不是絕對割裂的哦，偏工程也要看論文、補數學，偏理論也要敲代碼、了解優秀框架哦。

?

首先，在開始之前，要確保有以下的理論基礎：

• 語文能力最少達到初中水平。

• 英語能力最少要達到高中優秀水平，盡量在大學四級水平之上。

• 數學最少達到高中水平，微積分一定得學過。

?

盡量有以下的工程基礎（這樣可以邊學邊練，體會更深的喵，但是不會也沒有關系的）

• 面向過程編程范式

• 常見數據結構

• 常見算法思想及算法分析能力

?

然后小夕為了避免文章過長，將計劃截成了四五個階段。本文為第一階段。

階段一

---

線性代數

• 前置課程

• • 中學代數

• 主參考資料

• • 《線性代數應該這樣學》(英文叫《Linear Algebra done right》)

• 輔助參考資料（有先后順序）

《Deep Learning》Bengio等，第二章（中譯本勉強能看，鏈接https://github.com/exacity/deeplearningbook-chinese?嗚嗚好想趕緊開通原創功能插超鏈接）；

Wiki百科（翻墻不用教吧...）；

《矩陣分析與應用》張賢達

• 重點內容（無先后順序）：

• • 向量及向量空間

  • 內積與范數

  • 線性映射

  • 矩陣? ??

  • 張成、線性相關、線性無關

  • 特征值與特征向量

  • 特征分解

• 高級內容（最起碼要了解）：

• • 譜定理

  • 奇異值分解（SVD）

  • 矩陣的跡

  • 行列式

• 學習方法

• 適當參考小夕總結的重點內容，細細的品味《線性代數應該這樣學》（這本書真的棒呆了）。

• 對于書中依然理解不了的部分，參考其他輔助資料哦。另外如果大家有哪方面難以理解，可以告訴小夕，小夕會盡量解答，若有必要的話直接寫一篇小文章幫助大家理解哦。

• 主要意義

  線性代數是機器學習的不能更基礎的數學基礎。不僅僅是因為矩陣是機器學習中運算的基本單位，而且一些線性代數中的高級理論也被借鑒吸收到了機器學習算法中，比如用SVD（奇異值分解）來對特征降維，跡運算可以加深對PCA及某些聚類算法本質的理解等。

• ---

  Matlab

  • 前置課程

  • • 線性代數

    • 面向過程編程范式

  • 主參考資料：

  • • Coursera平臺斯坦福大學Andrew Ng的“機器學習”課程的Matlab章節的視頻及補充資料

    • Matlab內嵌幫助文檔

  • 輔助參考資料

• Google

• CSDN

• StackOverFlow

• 重點內容：

• • Matlab基本語法

  • 矩陣運算常用的內置API（即用戶編程接口/函數接口）

• 學習方法

• 參考Coursera平臺“機器學習”課程的Matlab教學視頻及閱讀材料來掌握Matlab基礎知識。

• 養成使用Matlab內嵌幫助文檔來學習新API的方法的習慣。例如在解釋器中可以用“help +命令”或“doc +命令”快速掌握某API的用法等。

• 多多總結積累常用的矩陣運算API。

• 主要意義

  利用Matlab入門和理解機器學習算法，可以很大限度的忽略編程語言語法特性對算法實現的影響，也就是說語法對數學表示的還原度很高~這樣可以很輕松的打通數學到計算機算法的橋梁，對于以后深入學習機器學習的理論和代碼實現都大有裨益。

• ---

  機器學習-上

  • 前置課程

  • • 線性代數

    • 微積分

    • Matlab

  • 主參考資料：

  • • Coursera平臺斯坦福大學Andrew Ng的“機器學習”課程

    • 《數據挖掘導論》

  • 重點內容：

  • • 機器學習基本概念及應用領域

    • 回歸與分類的概念

    • 線性回歸模型(Linear regression model)

    • 邏輯回歸模型(Logistic regression model)

    • 淺層神經網絡(Neural Network)

    • 支持向量機（Support Vector Machine）

    • 交叉驗證思想及用途(Cross Validation)

    • 聚類的概念

    • K-Means模型

  • 學習方法

• 乖乖的跟著Coursera課程計劃來就好，要認真完成課后習題和編程題哦。若課程中的有些內容實在沒有理解透，強烈建議參考《數據挖掘導論》中的相關章節吶（這本書對于機器學習部分的講解很好喵）。
  小夕注：?Matlab代碼實現中多多體會和建立“用矩陣運算”解決問題的思想，努力擺脫“循環套循環”的low做法。

• Coursera結束后，仔細閱讀《數據挖掘導論》中的第4、5章。先跳過其中的決策樹和貝葉斯分類器那一節（以后的計劃中會安排的哦），另外第五章的組合方法能看懂就看，看不懂也沒關系，放在以后還會深入學。

• 主要意義

  Coursera上的“機器學習”課程中幾乎沒有涉及到概率統計的知識，自然也沒有貝葉斯分類器這個經典統計模型。同時也沒有深入講解最優化的知識。
  不過這樣極大的降低了課程的難度，非常適合拿來快速接觸機器學習又不會受很大打擊。對于提升興趣，以及后續理論深入的學習真的很有幫助呀，小夕當年就是看了這個視頻然后愛上了可愛的Andrew Ng，然后愛上了這一領域\(//?//)\。
  而《數據挖掘導論》也非常適合新手入門，講解的十分淺顯易懂，在Coursera課程結束后再根據這個復習一遍，效果會非常好的。

• 下階段預告

• 概率論與數理統計

• 最優化算法-上

• 機器學習-下

本文重點

?

記得推薦給身邊有需要的人哦，ta與小夕都會很感激您的~

?

...要哭哭了，最近都快沒人打賞了...對小夕的文章不夠滿意，記得在訂閱號主頁給小夕提意見哦~小夕真的很用心哦(｡ ?︿ ?｡)

總結

以上是生活随笔為你收集整理的史上最萌最认真的机器学习/深度学习/模式识别入门指导手册(一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。