trivialfis 感谢师兄认真的回答,请问师兄一开始看这本入门书的时候是阅读原装英文版吗?

  1. 建议先补数学,比如统计学:《统计学完全教程》(逃
  2. 看你获得成就感的来源在哪里,如果你觉得拿小数据集跑出个很好看的图(比如分类器分出很好看的几个聚簇,非线性回归得到几乎吻合的完美曲线),或者把积木堆成某种小工具(比如词云,天气预测),有助于你焕发热情继续学习下去的话,那调用现成的库是很速成的
  3. 国内的 CS 资源都比国外匮乏,科学上网是基本技能
  4. 争取读研

    trivialfis 好的,个人感觉英文版是能看得懂的,只不过阅读速度也许不如中文版,但在理解方面会更为透彻。

    8 天 后

    数学数学数学很重要!!!不然深入一点都很痛苦,推荐一下台大教授李宏毅的机器学习课程(老师上课蛮有意思的,喜欢用神奇宝贝做例子,不过感觉对纯新手不太友好,网上也有很多读书笔记可以参考),可以跟着打几个demo,这样比较有兴趣学下去,放个B站链接吧。
    李宏毅机器学习(2017)
    巨佬们有更好的学习资源也可以推荐推荐

    12 天 后

    听说机器学习数学要过关的吧,概率,高数,线代。有的还没学完,我也不敢冒然去学,还是学好数学先,不急。同大一。我还是觉得有一点基础再学好一点,现在看即使你能看懂,但能保证你不会忘吗,因为这一切都显得过于难,一楼的楼顶还没封好,就急着向第二楼开工,显然不是很好,完全个人见解

      handsome 学ML数学确实重要,但也不是说现在完全看不懂,我认为趁现在空余时间比较多的时候带着兴趣去提前学一下比较好,就好像试着跑跑ML的一些工具,认识一些基本的概念和方法,还是有帮助的。比如说众多ML课程里最开始教授的线性回归,梯度下降等方法,有了大一的微积分基础,稍加思考理解一下还是没问题的。至于以后深入到一些更高级的算法,那自然要更扎实的基础了。

        9 个月 后

        支持一下,10个月过去了,楼主有什么进展吗?

        我从正式接触机器学习到现在大约1个多月,在没看这个帖子之前自己悟出补数学+抓入手点的思路(貌似IT/多数形式科学都是这个思路),一点点地试探,当然我学习比较慢了,但每有进步都能得到欣喜~

          2 个月 后

          NTL01

          我在19年暑假的时候科学上网找到了一本比较友好的ML书,书名听起来也十分友好:Machine Learning for Humans
          这本书涵盖了ML、DL、RL三方面,并且文笔十分通俗易懂(正如他的书名所说的)于是我边读边在Evernote上做笔记,完成后也算是对机器学习的主要部分有了一个大体上的了解。

          然后,开始慢慢接触一些DL的内容,并开始任务驱动型地上手一些Neural Network,现在的学习途径主要是针对自己想要解决的问题来合理地调整自己的模型、同时剖析高度封装的DL代码。

          另外,我认为合理使用colab可以更好地提升学习的体验,因为这是一个在线的jupyter环境,并且有GPU、TPU和Google Drive加持,可以省去很多配置环境的不便与安装tensorflow、pytorch这种动辄上G的依赖包的麻烦。把精力与时间focus到理论与代码的研究中。

          2 个月 后

          © 2018-2025 0xFFFF