charfole 本人为一个大一，而且不怎么会科学上网的蒟蒻😳，对机器学习有一定憧憬，想借这寒假对ML进行初步的了解，最近开始跟着吴恩达老师的ML网课学习。 具体的疑问：1.目前大一算法知识尚弱，直接去了解ML方面具体知识会不会有一点急于求成呢？ 2.如果要入门ML，是先从理论方面学习，还是去学习py以及其中的一些热门框架和库来动手实践呢？ 3.据我了解，国内的ML学习资源对比外国稍为缺乏，有没有必要先学会科学上网来获取更多的资源呢？ 4.除了这些疑问外，请问大家还有更多的建议吗？
wzpan charfole 推荐先从Udacity的《机器学习入门》学起。 https://cn.udacity.com/course/intro-to-machine-learning--ud120
0x0001 觉得包括算法在内的计算机的很多东西，实践起来才能认识，也应该不算急于求成吧。 想着什么时候有基础了再深入可能不是太妥（不知道什么时候才算是”有基础“）。就像一座山，想知道这座山长啥样，一直徘徊在山脚下，可能很久很久都达不成这个目标，甚至就迷路了；找个地方入手，爬上去以后，再往下一看，一览无余。 日常的话，Google 之类的，应该是刚需吧，想用，就搭起来了。 个人不太了解ML领域，期待有经验的小伙伴的回复，分享一下学习的经历啥的也不错吧hhh ?
hsxfjames 建议先补数学，比如统计学：《统计学完全教程》（逃 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 国内的 CS 资源都比国外匮乏，科学上网是基本技能 争取读研
Elite 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
handsome 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
charfole 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。
NTL01 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～
charfole 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。