2022年最完整的人工智能入门指南_人工智能教程

这可能是一份中英文世界最好的人工智能学习教程在充分考虑大家信息获取难度的情况下制定了帮助你掌握人工智能AI和机器学习ML的完整指南无需专业背景无需学费
无需额外的时间成本
只需要掌握以下的方法和渠道就可以清晰地认识到是人工智能并了解其前沿发展和行业新闻。

很多同学在学习AI的时候面临的最大困难“如何开始”它具体包括如何免费开始学AI什么是人工智能从什么地方入手如何去掌握这门技术零基础如何学习AI等等。所以我们在参考了大量国内外资料后决定写一篇关于如何在2022年【零基础】【免费】学习机器学习的完整指南这可能是中文和英文世界中最好的入门教程希望大家耐心看下去。这篇文章罗列了许多关于机器学习的优质资源并分享给大家一些学习技巧我们不仅希望大家能够方便快捷地入门AI更希望提高你作为人最重要的学习能力。相关课程、资料、代码可以访问Mo平台免费获取。

如何在2022年成为机器学习专家

这份学习指南适用于在编程、数学或者机器学习方面基础比较薄弱的同学。除此之外成为机器学习专家的方法不是唯一的只要你有足够的学习动力大家也可以自己探索学习方法从而掌握机器学习。
这篇指南的目标是为不知道“如何开始”的人提供一个进入机器学习的学习路径。我们都知道在学习新事物的时候很难找到从哪里开始或者下一步应该怎样做尤其是在缺乏他人指导的时候。因此我们在这里列出了许多优质的学习资源供大家参考。这些学习资源的难度依次递增有一定基础的同学可以跳过前面的基础部分。
这里列出来的所有资源都是免费的当然也存在一部分付费的在线课程和在线书籍。请记住这些付费课程为了帮助大家更好地理解和学习只要你愿意多花一点时间和精力没有这些付费课程你也完全有可能成为机器学习专家。选择什么样的学习资源完全取决于自己适合自己的才是最好的

温馨提示不要害怕重复播放学习视频或者在不同的平台上重复学习相同的概念。请记住重复是学习新事物的法宝。

目录各部分的链接
—开始入门从简短的YouTube视频介绍开始
— 逐步深入学习关注 YouTube 上的免费课程
 — 阅读在线文章
 — 阅读重要书籍
—没有机器学习的数学背景看一下这个
 — 没有编程背景没问题适合初学者的编程资源
 — 关注在线课程
 — 练习练习再练习
 — 更多资源加入社区,使用备忘单,关注该领域的新闻等等
— 如何找到一份机器学习的工作
— AI伦理

1.开始入门机器学习

观看简短的视频介绍入门是入门新领域的最佳方式YouTube和b站上面都有大量的优质视频介绍关于机器学习的重要概念。我们在这里列出了一些视频清单供大家参考。

首先了解机器学习领域的常用术语形成初步认识。
1YouTube上一位名叫“What’s AI”
https://www.youtube.com/WhatsAI 的博主通过一系列非常短的视频回答了著名的“什么是AI”的问题内容涵盖了了机器学习领域最常用的所有术语。每个视频的时长在1分钟左右你可以在30分钟以内学习到机器学习的基础知识并对该领域有一个整体认识。
大家可以通过以下链接访问该视频系列
https://www.youtube.com/playlist?list=PLO4GrDnQanVe6F6MRJg_KO7JEoH-ukFzY

2B站up主 “KnowingAI知智”以一种轻松有趣的方式分享了算法模型系列视频介绍了机器学习的算法、模型和框架。
大家可以通过以下链接访问该视频系列
https://space.bilibili.com/237111975/channel/detail?cid=177611&ctype=0

其次对机器学习相关概念有一定认知过后可以更加深入地了解机器学习、深度学习和神经网络的基础知识。提醒一下在入门时了解神经网络和反向传播的知识是非常必要的它可以在你进行深入学习时带来巨大的先发优势。

“3Blue1Brown”是由斯坦福大学一位数学系学生Grant创建的科普频道主要分享高等数学相关内容同时也进行计算机相关知识的科普他被誉为全b站最火的数学科普up主。Grant制作的“深度学习”系列视频非常清楚、细致地解释了反向传播算法、梯度下降算法、神经网络等相关概念。这部分视频可以更加充分地了解机器学习算法是什么以及它的工作原理从而为更加深层次的学习奠定基础。
大家可以通过以下链接访问该视频系列
https://space.bilibili.com/88461692/channel/detail?cid=26587

总的来说YouTube和B站等视频网站是非常适合自主学习的免费平台除了以上所提及的内容之外大家可以继续在这些平台上找寻优质学习资源。

2.逐步深入学习

在上一部分我们主要通过“1 min”短视频了解机器学习的相关概念对机器学习有了一个整体认知。这一部分需要大家投入更多的时间和精力并提高专注度进行深入学习。
虽然这一部分的课程会有一定的难度但它们同时也非常具有吸引力。只要大家能够说服自己投入学习一定能够受益匪浅。
通过精心挑选我们在这里为大家准备了一份课程列表根据难度由低到高的顺序进行排列。排列在前的课程主要对机器学习的各方面进行简单介绍排列在后的课程逐渐深入机器学习的专业领域。大家可以通过这一部分的课程逐渐适应机器学习的节奏为接下来的专业化学习打好基础。

——机器学习导论斯坦福大学
授课老师吴恩达Andrew Ng是人工智能和机器学习领域国际上最权威的学者之一同时也是在线教育平台Coursera的联合创始人被誉为人工智能专家和教育先驱。这门机器学习导论课共计20个课时内容涉及线性回归、梯度下降、朴素贝叶斯、决策树等机器学习的重要概念。该课程可以帮助你对机器学习有一个全面而又细致的了解可以说是入门机器学习必不可少。
大家可以通过访问斯坦福在YouTube的官方账号“stanfordonline”获取学习资源。访问链接如下
https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU

B站的一位up主“鬼谷良师”也对其进行了视频搬运如果您比较习惯于中文字幕也可以在B站上进行访问
https://www.bilibili.com/video/BV1JE411w7Ub?p=1

除此之外“鬼谷良师”也分享了很多国际名校的公开课视频包括哈佛、MIT等您可以持续关注这位up主对相关课程进行体系化学习。

——深度学习导论MIT
B站的一位号称AI硬核资料库的up主“ShowMeAI”分享了来自MIT关于“深度学习”的公开课视频共计43个课时内容涉及循环神经网络、卷积神经网络、强化学习等的理论知识和前沿实践。
访问链接如下
https://www.bilibili.com/video/BV1g34y1Q79p?p=1

——深度学习专项课程DeepLearningAI—吴恩达
DeepLearningAI由吴恩达博士创立以满足世界一流人工智能教育的需求。大家可以通过访问DeepLearningAI在YouTube的官方账号找到其在Coursera课程中关于机器学习的相关视频。
访问链接如下
https://www.youtube.com/channel/UCcIXc5mJsHVYTZR1maL5l9w/playlists

此外你也可以通过访问链接在B站找到其搬运视频
https://www.bilibili.com/video/BV1FT4y1E74V?p=2&spm_id_from=pageDriver

——MIT Deep Learning Lex Fridman 关于深度学习的最新课程
该课程是来自MIT 2017 年至 2020 年关于深度学习、深度强化学习、自动驾驶汽车和 AI 的讲座合集。您可以通过以下链接获取相关教学视频和PPT
https://deeplearning.mit.edu/

此外你也可以通过B站找到Lex Fridman 老师的部分教学视频。
2020年 深度学习讲座
https://www.bilibili.com/video/BV1Y7411d7xV?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
2019年 深度学习讲座
https://www.bilibili.com/video/BV1rz4y1r7hB?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0
自动驾驶公开课
https://www.bilibili.com/video/BV1tW411M7S9?from=search&seid=10656918578301312657&spm_id_from=333.337.0.0

——Deep Learning (with PyTorch) —纽约大学 Yann LeCun
这是纽约大学数据科学中心在2020年开设的一门关于深度学习的课程课程内容涉及深度学习和表征学习的最新技术侧重于监督和无监督深度学习、嵌入方法、度量学习、卷积神经网络和循环神经网络以及在计算机视觉、自然语言处理和语音识别中的应用。因此这门课程对大家机器学习的基础有一定要求。大家可以通过访问其GitHub网页获取课程相关PPT、jupyter notebook 以及YouTube视频资源。访问链接如下
https://atcold.github.io/pytorch-Deep-Learning/

3.在线阅读文章

众所周知通过听、说、读、写等不同方式进行学习可以很好地提高学习效率。因此阅读对于学习也很重要它可以帮助大家对机器学习有更加全面和深入的了解。Medium 和Towards AI都是非常不错的阅读平台大家可以在上面找到优质的阅读材料。
我们为大家推荐了Medium社区上面的5篇文章以及2份阅读清单并建议大家将其余前面的视频结合起来学习这将受益匪浅。
1使用Python学习机器学习和数据科学的5个入门步骤——Daniel Bourke
https://towardsdatascience.com/5-beginner-friendly-steps-to-learn-machine-learning-and-data-science-with-python-bf69e211ade5
2什么是机器学习——Roberto Iriondo
https://pub.towardsai.net/what-is-machine-learning-ml-b58162f97ec7
3机器学习入门神经网络简介——Victor Zhou
https://towardsdatascience.com/machine-learning-for-beginners-an-introduction-to-neural-networks-d49f22d238f9
4神经网络入门指南——Thomas Davis
https://towardsdatascience.com/a-beginners-guide-to-neural-networks-d5cf7e369a13#:~:text=Neural%20networks%20are%20powered%20by,then%20recognize%2C%20interpret%20and%20classify.
5理解神经网络——Prince Canuma
https://prince-canuma.medium.com/understanding-neural-networks-22b29755abd9
6MILA新生阅读清单
https://docs.google.com/document/d/1IXF3h0RU5zz4ukmTrVKVotPQypChscNGf5k6E25HGvA/edit#
780/20 人工智能阅读清单——Vishal Maini
https://medium.com/machine-learning-for-humans/ai-reading-list-c4753afd97a

通过以上的学习步骤大家已经初步具备动手编程和练习的基础了可以直接跳到后面的编程、在线课程以或者练习部分加快学习速度。如果想要更加深入地了解机器学习的理论知识那么可以继续阅读在下一部分所列出来的重要参考书籍。

4.阅读重要书籍

这一部分的内容是大家选修的但是系统化地阅读可以帮助大家更加深入地理解机器学习背后的工作原理因此仍然建议大家抽出部分时间进行阅读。此部分包含了一些付费书籍大家可以自主选择有需要的话也可以在淘宝、亚马逊等平台购买纸质书籍。
——机器学习路径
1《深度学习》免费
Ian GoodfellowYoshua BengioAaron Courville 著赵申剑等 译人民邮电出版社
https://www.deeplearningbook.org/

2《动手深度学习》免费
Aston Zhang, Mu LiZachary C. Lipton, Alexander J. Smola 著人民邮电出版社
http://d2l.ai/

3《概率机器学习导论》免费
Kevin Patrick Murphy 著MIT出版社
https://probml.github.io/pml-book/book1.html

4《人工智能一种现代方法》付费
Stuart RussellPeter Norvig 著

5《模式识别与机器学习》付费
Christopher M. Bishop 著

6《用Python进行深度学习》付费
François Chollet 著

7《理解机器学习从理论到算法》
——Shai Shalev-Shwartz , Shai Ben-David 著剑桥大学出版社
https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/

——机器学习数学基础
1《机器学习数学》免费
https://mml-book.github.io/
Marc Peter DeisenrothA. Aldo FaisalCheng Soon Ong 著剑桥大学出版社

2《统计学习方法》
李航 著清华大学出版社

3《机器学习中的概率统计-python语言描述》
张雨萌 著机械工业出版社

4《程序员的数学2 概率统计》
平冈和幸堀玄　著陈筱烟　译人民邮电出版社

——微积分
1微积分第8版
James Stewart著张乃岳 译中国人民大学出版社

2托马斯微积分第10版
WEIRHASSGIORDANO 著叶其孝等 译高等教育出版社

3普林斯顿微积分读本
Adrian Banner 著杨爽等 译人民邮电出版社

4清华大学《微积分教程》
韩云瑞扈志明张广远 著清华大学出版社

5同济大学《高等数学》
同济大学数学系 编高等教育出版社

——线性代数
1《线性代数及其应用》
David C.Lay著刘深泉等 译机械工业出版社

2《线性代数》
李尚志 著高等教育出版社

3《线性代数》
李炯生查建国 著中国科学技术大学出版社
下载链接https://download.csdn.net/download/heartblade/10352209
——概率统计
1《概率论与数理统计》
陈希孺 著中国科学技术大学出版社

2图灵数学统计学丛书《概率导论》
Dimitri P. Bertsekas John N. Tsitsiklis 著郑忠国等译人民邮电出版社

3图灵数学统计学丛书《应用随机过程概率模型导论》
Sheldon M. Ross 著龚光鲁 译人民邮电出版社

阅读完这些书籍过后大家已经完全可以运用所学的理论着手开始编程练习。

5.没有机器学习的数学基础看一下这个

就算没有机器学习所需的数学知识也不用紧张时间永远不算晚大家完全可以从现在开始学习相关数学知识。我们在这里推荐的课程囊括了三个重要的数学分支微积分、线性代数和概统。

——微积分
1MIT Gilbert Strang《微积分重点》——b站up主冰剑天使
https://www.bilibili.com/video/BV17s411R7FR?from=search&seid=17163176306170092417&spm_id_from=333.337.0.0

2浙江大学 苏德矿 《微积分》——中国大学慕课
https://www.icourse163.org/course/ZJU-1003315004

3Grant Sanderson 《微积分的本质》——b站3Blue1Brown
https://space.bilibili.com/88461692/channel/detail?cid=13407

4国防科技大学 朱健民《高等数学》——中国大学慕课
https://www.icourse163.org/course/NUDT-9004

——线性代数
1MIT Gilbert Strang《线性代数》——b站up主小风哥_ANGEL
https://www.bilibili.com/video/BV1ix411f7Yp?p=2

2山东大学 秦静 《线性代数》——中国大学慕课
https://www.icourse163.org/course/SDU-55001?from=searchPage

3北京大学 丘维声 《高等代数》——b站up主西门断桥吹残雪
https://www.bilibili.com/video/BV1Pb411K7JA?from=search&seid=13960699102829916094&spm_id_from=333.337.0.0

4山东财经大学 宋浩 《线性代数》——b站宋浩老师官方
https://www.bilibili.com/video/av29971113?from=search&seid=17087223871376250963

5Grant Sanderson 《线性代数的本质》——b站3Blue1Brown
https://www.bilibili.com/video/BV1ys411472E?p=2

——概统
1山东财经大学 宋浩 《概率论与数理统计》——b站宋浩老师官方
https://www.bilibili.com/video/BV1ot411y7mU?spm_id_from=333.999.0.0

2Grant Sanderson 《概率论》——b站3Blue1Brown
https://www.bilibili.com/video/BV1R7411a76r?spm_id_from=333.999.0.0

除了国内平台的相关课程外国外也有一部分免费优质资源可以帮助大家更加结构化地学习数学
1YouTube上一位名叫“mathematicalmonk”的博主分享了很多有关机器学习数学知识的视频大家可以订阅该博主随时关注机器学习的最新消息。
https://www.youtube.com/channel/UCcAtD_VYwcYwVbTdvArsm7w

2《机器学习数学》——Garrett Thomas
https://gwthomas.github.io/docs/math4ml.pdf
3统计学习导论在R语言中的应用
这一列表主要收录了Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani等人关于统计学的教学PPT和讲座视频。
http://fs2.american.edu/alberto/www/analytics/ISLRLectures.html

学完这部分之后大家已经具备了很好的机器学习的数学基础了可以开始对机器学习展开更加深入的研究了如果你仍然觉得自己的数学功底不够扎实可以倒退回上一步深度阅读相关书籍。

6.没有编程基础没问题

这一部分的内容主要适用于编程小白。如果你完全没有Python或者其他任何编程语言的基础那么这一部分的内容可以帮助你入门机器学习编程并打好基础。如果你已经能够非常熟练地使用Python编程语言那就可以直接跳到“关注在线课程”这一部分的内容
我们在这里为大家推荐了一些关于机器学习编程的优质课程
1LearnPython的Python教程https://www.learnpython.org/
LearnPython平台提供免费的交互式Python学习教程无论你是小白还是经验丰富的程序员都可以在上面找到合适的学习资料。
2Mo平台的Python系列课程https://momodel.cn/?src=f6d546b46c

Mo是一个人工智能实训平台提供在线编程功能无需搭建环境便于初学者上手。该平台的Python系列课程从浙江大学迭代而来包含了从Python到人工智能的相关内容学习路径完整系统性较强。

3Learning with Python——b站up主Q晴风Q
https://www.bilibili.com/video/BV1ds411p7ut?p=3&spm_id_from=pageDriver
这是一个非常实用且丰富的机器学习教程介绍了机器学习编程相关的工作原理和方法包括从较为简单的回归、支持向量机等到较为复杂的SVM、TensorFlow、卷积神经网络等。

4Learn Python Basics for Data Analysis——OpenClassroom
https://openclassrooms.com/en/courses/2304731-learn-python-basics-for-data-analysis/6009031-get-started-with-python-and-anaconda
这门课程主要讲授了如何使用基本的Python操作进行数据分析。在课程中可以使用平台的相关功能进行在线编程。此外OpenClassroom平台也提供了Anaconda的安装资源和安装教程让大家可以在本地运行代码。

5Getting started with Data Science——YouTube博主Data Science Dojo
https://www.youtube.com/watch?v=6LWnvC2_DZI&list=PL8eNk_zTBST8kAYLTxYRnsOfznYMRhgZG
该视频教程介绍了线性回归模型和一些常用于机器学习和数据分析的Python和R包。此外此视频还提供了在Windows/Mac/Linux上安装Python 和 R的安装教程让大家可以在本地运行代码并将代码推送到Github 存储库。

6IBM在Coursera 上开设的名为Machine Learning with Python的付费课程。
该课程包含了机器学习简介、回归、分类、聚类、推荐系统等内容实用性较强可以显著提升大家的编程技能。
https://www.coursera.org/learn/machine-learning-with-python

除了以上所推荐的内容大家也可以通过GitHub上的100个NumPy练习来提升Python编程能力
https://github.com/rougier/numpy-100/blob/master/100_Numpy_exercises.ipynb
或者参加Data Science dojo的在线培训https://datasciencedojo.com/python-for-data-science/ref/whatsai/ 、使用Kaggle https://www.kaggle.com/。
这些平台可以为大家提供更具挑战性的项目和练习以及更加细致化的指导。当然部分课程是需要付费的。

7.关注在线课程

当你具有较好的理论基础和编程基础之后就可以开始学习ML的相关课程了。以下所列出的课程中部分课程需要付费当然付费课程会教给大家更多东西甚至可以提供权威性证书成为求职亮点。
在这里首先为大家介绍一个优质教学平台Coursera。它是由斯坦福的吴恩达教授和Daphne Koller教授联合创办的大型在线教育平台旨在同世界顶尖大学合作在线提供网络公开课程。大家可以在该平台上找到许多优质的学习资源也可以通过此平台获得含金量较高的证书。此外Coursera还为学员提供了大量的经济援助和奖学金你可以申请获得相关补贴和奖励。这是该平台的申请页面https://www.coursera.support/s/article/209819033-Apply-for-Financial-Aid-or-a-Scholarship?language=en_US

我们在这里为大家推荐了一些机器学习的在线课程课程难度由低到高排列
1机器学习简介——Kaggle学习机器学习的核心思想并构建自己的第一个模型
https://www.kaggle.com/learn/intro-to-machine-learning
2Mo平台的系列课程包括《从Python到人工智能》、机器学习系列课程、深度学习系列课程等。
https://momodel.cn/classroom
3Get started in AI / AI For everyone ——吴恩达
https://www.coursera.org/learn/ai-for-everyone
4机器学习——吴恩达
https://www.coursera.org/learn/machine-learning
5深度学习专项课程——吴恩达
https://www.coursera.org/learn/neural-networks-deep-learning
6TensorFlow专业证书
https://www.coursera.org/professional-certificates/tensorflow-in-practice
7AI工程——IBM专业证书
https://www.coursera.org/professional-certificates/ai-engineer
82021 年完整的数据科学训练营
https://www.udemy.com/course/the-data-science-course-complete-data-science-bootcamp/
9在线数据科学训练营——datasciencedojo完整的 16 周学习计划
https://datasciencedojo.com/data-science-bootcamp/ref/whatsai/
10数据科学培训计划 — datasciencedojo完整的 16 周培训计划
https://datasciencedojo.com/data-science-training-and-internship/ref/whatsai/
11fast.ai 平台的深度学习课程 免费
https://www.fast.ai/
12自然语言处理专项课程
https://www.coursera.org/specializations/natural-language-processing

8.练习练习再练习

ML学习中最重要的就是实践但往往很难找到合适的个人项目来练习。因此我们在这一部分为大家推荐了一些提供免费教程、项目和比赛的平台帮助大家更好地进行机器学习实践。
1Kaggle
https://www.kaggle.com/
该平台提供大量的免费课程、教程和比赛。此外该平台的免费比赛还为参赛选手提供了丰厚奖金。大家可以在锻炼技能的同时赢取比赛奖励是一种很不错的学习方式并且赢取Kaggle的比赛奖励也可以为你的求职简历增光添彩。
2NVIDIA Jetson社区项目
https://developer.nvidia.com/embedded/community/jetson-projects
NVIDIA Jetson的社区项目提供了类似的AI项目和竞赛吸引了大量“黑客”参与。此外你还可以在NVIDIA Jetson的网站上https://developer.nvidia.com/embedded/learn/jetson-ai-education 获得认证并获得硬件和财务上的支持从而有机会与NVIDIA合作开展项目。
3GitHub
http://github.com/
GitHub是一个面向开源及私有软件项目的托管平台可以托管各种git库并提供一个web界面。作为开源代码库以及版本控制系统Github拥有超过900万开发者用户。随着越来越多的应用程序转移到了云上Github已经成为了管理软件开发以及发现已有代码的首选方法。你可以尝试在 GitHub 上改进他们的代码或者运行已有项目。
4阿里天池
https://tianchi.aliyun.com/competition/gameList/activeList
天池大数据竞赛,是由阿里巴巴集团主办,面向全球科研工作者的高端算法竞赛。通过开放海量数据和分布式计算资源,大赛让所有参与者有机会运用其设计的算法解决各类社会问题或业务问题。

9.其他资源

—学习社区
同伴学习是一种很好的学习方式。所以我们在这里为大家推荐了一些学习社区大家可以加入其中寻找志同道合的学习伙伴。
1Reddit 社区https://www.reddit.com/
Reddit 社区聚集了众多AI爱好者大家可以在这里提问、讨论、分享项目、获取最新资讯等。我们在这里列出了一些比较热门的讨论话题
artificial — 人工智能
https://www.reddit.com/r/artificial/
Machine Learning — 机器学习该领域最大的讨论版块
https://www.reddit.com/r/MachineLearning/
Deep Learning Papers — 深度学习论文
https://www.reddit.com/r/DeepLearningPapers/
Computer Vision —从图像和视频中提取有用信息
https://www.reddit.com/r/computervision/
Learn machine learning — 学习机器学习
https://www.reddit.com/r/learnmachinelearning/
Artificial Intelligence — 人工智能
https://www.reddit.com/r/ArtificialInteligence/
Latest In ML — 机器学习领域不容错过的颠覆性发展
https://www.reddit.com/r/LatestInML/

2StackOverFlow https://stackoverflow.com/
StackOverFlow是全球最大的技术问答网站被誉为“程序员必上的网站”大家可以在里面找到很多高质量问答。
3掘金 https://juejin.cn/
掘金是国内的一个帮助开发者成长的社区分享内容主要包括前端、后端、Android、iOS、人工智能、开发工具等同时还提供一些行业资讯和相关活动。
4SegmentFault 思否https://segmentfault.com/
思否同样也是国内的一个开发者社区提供专业问答、行业资讯、开发竞赛、线下沙龙等内容和活动。大家也可以通过该社区寻找工作机会。

——保存学习清单
我们这里列举了一些人工智能、Python和机器学习领域的最佳学习清单
1AI&神经网络&机器学习&深度学习&大数据 汇总清单——Stefan Kjouharov
https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463
2斯坦福大学-CS-229 ML 学习清单—Afshine Amidi, Shervine Amidi
https://github.com/afshinea/stanford-cs-229-machine-learning
3机器学习&Python&数学 汇总清单——Robbie Allen
https://medium.com/machine-learning-in-practice/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6
4AI专家路线图——大家可以将它用作一个技能清单
https://i.am.ai/roadmap/#fundamentals
5全网人工智能机器学习免费资源汇总清单—作者Robbie Allen编译BigQuant
https://zhuanlan.zhihu.com/p/34300031
6机器学习&深度学习 网站汇总——FlyAI
https://zhuanlan.zhihu.com/p/337548019

除此之外了解该领域在理论研究和实际应用方面的最新进展也是非常重要的。想要掌握该领域的最新动态大家可以关注一下行业资讯专业期刊甚至是总结最新论文的YouTube频道。我们在这里列出了一些相关资源当然你也可以根据自己的兴趣挖掘到更多学习资源。

——订阅YouTube频道
订阅分享新论文的YouTube频道及时了解该领域的最新进展
1Two Minute Papers ——分享新论文的双周视频
https://www.youtube.com/user/keeroyz
2What’s AI——分享新论文的周更视频
https://www.youtube.com/channel/UCUzGQrN-lyyc0BWTYoJM_Sg
3Bycloud——分享新论文的周更视频
https://www.youtube.com/channel/UCgfe2ooZD3VJPB6aJAnuQng

——订阅时事通讯
1机器之心https://www.jiqizhixin.com/
机器之心是国内的一个前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。大家可以在机器之心官网首页找到很多关于人工智能和机器学习的最新消息。
2Inside AIhttps://inside.com/ai
该平台每天都会汇总关于人工智能、机器人和神经技术的故事和评论。
3AIhttps://aiweekly.co/
该平台每周都会收集有关人工智能和机器学习的新闻和资源。
4AI 伦理https://lighthouse3.com/newsletter/
订阅该频道它会每周将有关AI伦理的最新内容以邮件形式推送给你。
5What’s AIhttps://www.louisbouchard.ai/newsletter/
订阅What’s AI的时事资讯它会每周将AI新闻和一个新的AI应用简介以邮件形式推送给你。
6Data Science Dojo资讯https://datasciencedojo.com/newsletter/
订阅Data Science Dojo的时事资讯它会将最新的数据科学内容以邮件形式推送给你。

——关注Medium 账号和出版物
1Towards AI  ——“最好的技术、科学和工程”
https://towardsai.net/
2OneZero——“未来的潜流”
这是一个关于科学技术的Medium出版物。
https://onezero.medium.com/
3What’s AI
这是一位名叫Louis Bouchard的科普博主的Medium账号。他致力于分享AI知识和行业资讯让每个人都学会使用AI同时也让人们意识到使用AI的风险。
https://whats-ai.medium.com/

——查看GitHub 指南
https://github.com/BAILOOL/DoYouEvenLearn
这是一份关于人工智能、机器学习、深度学习和计算机视觉的基本指南可以帮助你跟上相关领域的最新资讯、论文和热门话题等。

10.如何找工作

以下是一些寻找机器学习相关工作的技巧
首先如果大家不确定具体要从事什么工作可以参考《机器学习面试入门》https://huyenchip.com/ml-interviews-book/contents/chapter-1.-ml-jobs.html 的第一章。这一章详细介绍了机器学习行业的不同工作可以帮助大家了解不同岗位以及自己的兴趣所在。此外《机器学习面试入门》由两部分组成该书的第一部分概述了机器学习行业的面试过程机器学习的岗位每个岗位的必备技能面试过程中的常见问题以及如何准备面试等。这部分也介绍了面试官的心理以及他们在面试时注重应聘者的哪些特质。该书的第二部分列出了200多个专业问题涵盖机器学习领域的重要概念和常见的误用概念。面试小白可以深入阅读此书提升面试技巧。

当大家已经确定好自己的目标岗位时就需要投入到相应准备工作中去。大家可以提供一些在线共享的个人项目例如一个博客、一个完整的GitHub库等。此外大家还需要为不同类型的面试做好“必须通过”的完全准备。
我们先从个人项目展开介绍。事实上个人项目的作用往往被低估了。以博客为例它完全有可能让大家轻松找到工作甚至不需要找工作。一方面如果大家在博客上发布了一个关于“如何制作基于机器学习的应用程序”的帖子那么这个帖子就有可能被招聘人员看到。进一步如果这个帖子的含金量很高那么招聘人员可能会主动邀约面试并为你提供工作。另一方面如果你的博客运营得很好它也可以成为一个收入可观的副业。不要低估语言表达能力的作用能够清晰地阐释你的项目内容并让老板“get”到关键点是非常重要的并且这一点也将直接体现在你的工资收入中。此外拥有博客的另外一个作用就是教学。教学可以提高大家的沟通技巧和领导能力而这一点在数据科学工作中也是非常重要的因为相关从业者的主要目标就是理解数据并高效利用数据。它可能会变得极其复杂因为在这项工作有所产出之前你需要解释你在做什么以及为什么它会起作用否则你可能无法得到任何资金支持。只要相关结果没有递交给投资者或者你的老板整个过程就类似于你什么也没做。这恰好也说明了沟通技巧的重要性。因此你可以将两个目的合二为一通过教学来提高自己的沟通能力同时也可以帮助他人理解一些复杂的专业概念。
此外专业技能也是非常重要的。拥有一个良好运用的GitHub库是非常有价值的尤其是当你投入精力清理代码并为你的代码和自述文件作注解的时候。记得在GitHub分享你参与过的项目即使是课程项目。虽然你的个人项目会令招聘人员更加印象深刻但是其他项目也可以体现你的专业水平以及团队合作能力同时可以记录你的工作。如果有时间的话大家可以创建一个基于机器学习的应用程序并且在你的GitHub和应用程序中进行共享。这个应用程序可以表明你投入精力学习了许多必要的课外知识和专业技能体现你较强的学习能力和应对复杂问题的能力甚至还可以帮你赚钱。当它既可以帮大家找到工作又有可能成为工作的时候为什么不投入精力呢

——机器学习面试中的注意事项

面试是求职的重要步骤因为我们在这里列举了一些有关机器学习面试的资源希望可以帮助大家提升面试技能。
1知乎
各大公司机器学习面试内容总结
https://zhuanlan.zhihu.com/p/35814495
如何斩获一线互联网公司机器学习岗offer
https://zhuanlan.zhihu.com/p/76827460
机器学习算法理论面试题大汇总
https://zhuanlan.zhihu.com/p/256450188
常见机器学习面试题
https://zhuanlan.zhihu.com/p/82105066
2牛客网 https://www.nowcoder.com/
牛客网是一个集笔面试系统、题库、课程教育、社群交流、招聘内推于一体的招聘类网站。大家可以在该平台上进行职业性格测试、能力评估并通过测试题库和经验分享帖等提升自己的面试技能。
3《机器学习面试入门》——Chip Huyenhttps://huyenchip.com/ml-interviews-book/
提醒一下如果你目前正在寻找机器学习的相关工作那么这本书是必读的。我们在这里列举了该书中的一些重要提示
尽早准备
大家已经了解找工作是需要时间的因此你应该在拿到专业学位之前、在换工作之前或者在学习在线课程的过程中尽早开始然后同步完成这些事情。
发挥社交网络的作用
利用好自己的人脉关系尝试与老师或者同事沟通交流从而获得一些工作机会。
模拟练习
就像编程和数学一样面试也是需要勤加练习的。大家可以使用该书中的模拟问题在朋友、家人或同事面前练习面试技巧。
提升专业技能
了解最新的研究和实践保证你的专业技能是与时俱进的。大家可以做一些编程练习就像该学习指南在前面编程部分分享的NumPy一样同时也可以在leetcode.com上面尝试一下。
充分了解应聘公司的背景
在面试之前要对你所应聘的公司进行充分了解并尝试思考一些在面试过程中可能会问到的有关公司介绍和公司使命的问题。这样在面试时大家就可以表现得对该公司十分感兴趣并且轻松得回答出相关问题。
善于倾听和发言
大家在面试过程中不要说得太多也不要过于沉默。首先大家要听清楚面试官的每一句话在面试过程中试着去了解他们和他们的角色。其次大家要向面试官阐明自己的思考过程便于他们更加清楚直接地对你的所有反应进行分析。大家要记住面试过程也是为了更好地找到一个适合自己的工作而不仅仅是为了他们。
诚信
诚信是十分重要但又往往被应聘者所忽略的一件事情。如果应聘者说谎很有可能被面试官发现并且将会导致不良后果。
遵循个人兴趣爱好
最后请大家找一份自己喜欢的工作。我们确实难以提前知道自己喜欢什么但可以跟随自己的内心选择一份具有挑战性的工作并且可以和一个优秀的、有趣的、鼓舞人心的团队一起工作。

另外还有其他一些比较重要的注意事项大家可以在面试过程中应急使用
首先再次强调不要撒谎这是至关重要的。
不要批评以前或者现在的老板。你对他们所做的任何事情都会让人觉得你也可以对正在应聘的这家公司做出同样的事情我们在任何时候都应该要尊重他人。
要保持自信不要紧张。大家可能会面临较为激烈的竞争但每个人都是独一无二的你肯定拥有一些可以帮你找到心仪工作的过人之处。此外在面试过程中不要向下看或者东张西望。当你思考的时候可以看着面试官的眼睛或者向上看这表明你正在搜寻记忆、思考答案。
不要谈论一些与面试无关的隐私。比如你的政治立场、宗教信仰、年龄和婚姻状况等。
不要急于在面试过程中讨论薪水的问题。在面试结束后面试官通常会和应聘者讨论这个问题大家可以耐心等待。
学会谈判。谈判是一项非常重要的技能这可能会直接影响大家的工资、职业发展等。如果大家没有谈判经验强烈建议阅读Chris Voss的《强势谈判》(Never Split the Difference)https://info.blackswanltd.com/never-split-the-difference 一书。Chris Voss是 FBI 前首席国际人质危机谈判专家世界著名的谈判理论专家和实践者“黑天鹅集团”的创始人和管理者在谈判领域有二十多年的丰富经验。他在此书中总结了一套全新的、经过实战检验的高价值谈判策略。

请大家相信自己一定可以找到工作的。这可能会需要十几次甚至上百次的尝试都是很正常的这主要取决于地域和当前的经济形势。慢慢来要有耐心尽可能地享受这个过程在面试过程中积累经验、提升技能!

11.AI伦理

AI伦理常常被人们所忽视但它又是非常重要的一个方面。因为人们会使用你所创建的应用程序这就要求该程序必须尊重和保护用户隐私值得大家信赖。这听起来是理所当然的但在技术层面就比较复杂了。的确随着像人工智能这样的新技术面世我们需要确保它不会对人类造成伤害并且值得信赖。但这一点常常被人们所忘记或者自动忽视总以为有人会处理好这件事情。但事实并非如此机器学习从业者得自己处理。大家可以多思考一下模型的可行度思考一下这样一个由自动化机器运行的应用程序可能会产生的伦理问题。正如前面所提到的这是非常复杂的这也是为什么伦理学和哲学学者在研究这一问题时需要机器学习领域的专业人士的帮助。为了帮助这些学者更好地进行研究你首先需要了解为什么“AI伦理”对我们的未来如此重要我们在这里列出了部分资源
1Ethics for Data Science
https://www.youtube.com/watch?v=F0cxzESR7ec
这是一个由fast.ai 创始人Rachel Thomas创作的讲述AI伦理的短片。它可以打开大家的思维并让你识别到潜在问题以及思考应对策略。

2AI4PeopleAn Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations——Floridi 等, 2018 AI4People AI for a good society.
https://link.springer.com/content/pdf/10.1007/s11023-018-9482-5.pdf
3Ethics guidelines for trustworthy AI
欧盟委员会高级别专家组对这本书的评价为7分。
https://wayback.archive-it.org/12090/20210728013426/https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai

非常感谢大家的阅读小Mo在这里祝您在未来的机器学习职业生涯中一切顺利
注部分资源来源于互联网若有侵权请直接联系作者删除。