学好人工智能需要哪些知识

《机器学习入门指南(2021版)》和大家分享一些我在机器学习道路上看过的书籍、教程、视频、学习经验和建议，希望对你的学习有所帮助。

思维导图Pdf版，后台回复:一个指南

Python书籍

在和出版社合作之前，书柜里积累了很多Python相关的书籍。这里有三个最有价值的。

《光滑的Python》，很厚很全面，可以作为参考书经常阅读。

从初学者到实践(第2版)非常全面，对初学者友好，里面有很多优秀的练习。

Python数据分析，第二版是入门数据分析的必读读物。主要介绍三个Python库的学习，numpy(数组)，pandas(数据分析)，matplotlib(绘图)。如果你有开源版本，就不用买了。下载链接和代码如下:

python-教程

学习Python最好的入门在线教程，第一个官方Python文档。

公文足够详细系统，但是内容太大，学起来会有点吃力。我建议你只要看教程，就是上面的链接。

直接啃公文的教材，效率不如老师告诉你的。廖雪峰的《Python初学者教程》也是不错的选择，每一节都有练习，比较易学，对初学者也比较友好。

学习机最常用的库Numpy Pandas Matplotlib必不可少。我觉得看官方文件挺好的，但是英语不好的同学可能不太满意。这里列出了这些库的官方文档和我认为很不错的中文教程，提醒你一下，官方文档只需要看我列出的链接。

数组

官方文件:

中文课程:

熊猫

官方文件:

中文课程:

Matplotlib

官方文件:

中文课程:/

python-视频

说实话，我还没有完全看过任何Python视频。归根结底，Python容易上手，看视频效率太低。传言哔哩哔哩的【小乌龟】零基础初学Python不错。简单看了一下，真的是零基础。我们用Python学习机器学习。喜欢看视频学习的同学可以看看。建议只看P1-P53。

Python适合零基础的初学者学习:

机器学习-书籍

市面上所有推荐机器学习的书，都少不了李航的统计学习方法和周志华的机器学习。一开始也看了大推荐，在这两本书上花了不少时间。但是我觉得这两本书不太适合初学者，尤其是统计学习法，简直就是最好的武功秘笈。它们太精致，难以咀嚼。相对于周老师的机器学习，相对好一些，有些公式有点跳跃。Datawhale公开了机器学习公式的开源详解，是一个很好的补充。周仕华的《机器学习》是一本必不可少的参考书，必读之作，需要反复阅读。不过建议看完视频教程。

偏书的话，只推荐一本。不要看其他的！！！:《机器学习实践:基于Scikit-Learn、Keras和TensorFlow(原书第2版)》。你可以阅读前9章的介绍。

市面上很少有书能清晰的介绍机器学习在业务层面的应用，比如模型讲解、模型在线、模型监控等等。有一本书比较满意，但是普及度比较低:《机器学习:软件工程方法与实现》。

机器学习:软件工程方法与实现

现在无论是竞争还是行业都广泛使用boost模型，XGBoost可以做分类，回归，排序。最后介绍一本我觉得一定要看的书:《深入理解XGBoost:高效机器学习算法与高级》，作者是XGBoost开源社区贡献者贺龙。本书从机器学习的基础知识出发，深入分析了XGBoost的原理、分布式实现、模型优化和深度应用。

机器学习-教程

教程没怎么看。除了sklearn的文档，我只推荐、、林的视频课件。这里不单独列出课件。我把下载链接放在思维导图里。

实例

官方文件:

中文课程:/

机器学习-视频

和Python不同的是，我觉得机器学习基础里面最好跟着视频学习，因为初学者学习机器学习算法涉及到大量的公式推导，非常难懂，有了视频学习会轻松很多。

视频从吴恩达的公开课开始，这是学习机器学习基础知识的最佳课程。英语不好的同学也不用担心，视频有中文字幕。

作为补充，时间充裕的同学可以去看看台大李宏毅的机器学习公开课，以中文教学为特色，比较轻松愉快。

如果你有更多的时间，你还可以看林的视频课，只看基石部分。

机器学习——数学的基础

系统学习机器学习所必须的数学知识。

数学的基础是一个无底洞。不建议你花太多时间，亡羊补牢，为时未晚。

也不建议大家看书。基础确实比较薄弱的同学推荐一个:机器学习的数学。这本书介绍了微积分、线性代数、概率统计、信息论、随机过程、图论等等。还是那句话，这本书只适合基础特别薄弱的学生。

感觉机器学习用的最多的是线生成。喜欢看视频的可以看看李宏毅机器学习里的线性代数:

/

或3blue1brown:线性代数的本质

我还把其他与基础数学相关的电子书放在我的思维导图里。

一些经验和建议

1.我相信很多初学者都是数据收集的爱好者。他们存的越多，就越不知道从何下手。强烈建议抛开所有资料，以我的一套为准，持之以恒的学习。

2.我前面提到过，很多东西不要先钻研，不要在某些地方停留太久(比如数学部分，比如编程基础)。先学完。知道了大框架之后，回头再补也不迟。

3.不需要掌握机器学习的各种算法。掌握LR、树模型、RF、XGBoost等常用算法就好了。

4.我身边一些优秀的程序员、分析师、工程师都非常推崇“边做边学，边做边学”。无论是在书上还是视频里，看到一些好的方法和技巧，都要马上自己去实现。看起来很简单的事情，只有真正去做了，才会发现自己的不足。快速学会以上后，尽快开始练习。可以先在天池或者kaggle上复制优秀的笔记本，然后参加一些入门比赛。

5.如果你已经有工作，最好在你的业务中寻找机器学习的应用场景，然后尝试开发一个适用的模型。如果你不知道如何搜索，学习。这是我所知道的最好最有价值的学习方法。

6.输出也是一种特别好的学习方式。输出就是把新学到的知识用某种方式告诉别人，让他们也能理解和学习。我比较喜欢写笔记(我一般用微软OneNote)，然后整理成文章发到我的博客上。这样既能检验自己的知识，又能发现弱点。也可以监督，互相学习，互相借鉴。

好了，就这些。欢迎和我交流。