灵感来自 谷歌面试学习手册
- 原文作者：ZuzooVn(Nam Vu)
- 翻译：lsvih
这是我为期数月的学习计划。我正要从一名移动软件开发者(自学，无计科文凭)转型成为一名机器学习工程师。
我的主要目标是找到一种以实践为主的学习方法，并为初学者抽象掉大多数的数学概念。 这种学习方法是非传统的，因为它是专门为软件工程师所设计的自上而下、以结果为导向的学习方法。
如果您想让它更好的话，随时欢迎您的贡献。
- 这是？
- 为何要用到它？
- 如何使用它？
- Follow me
- 别认为自己不够聪明
- 关于视频资源
- 预备知识
- 每日计划
- 动机
- 机器学习概论
- 掌握机器学习
- 有趣的机器学习
- 给女友介绍机器学习
- 一本深入，非技术的机器学习指南
- 故事与经验
- 机器学习算法
- 入门书籍
- 实用书籍
- Kaggle知识竞赛
- 系列视频
- MOOC
- 资源
- 成为一名开源贡献者
- 游戏
- 播客
- 社区
- 面试问题
- 我崇拜的公司
我会为了我未来的工作：机器学习工程师 而遵循这份计划。自从2011年以来，我一直进行着原生移动应用的开发(包括安卓、IOS和黑莓)。我有软件工程的文凭，但是没有计算机科学的文凭。我仅仅在大学的时候学习过一点基础科学，包括微积分、线性代数、离散数学、概率论与统计。 我认真思考过我在机器学习方面的兴趣:
- 我能在没有计科硕士、博士文凭的情况下找到一份关于机器学习的工作吗？
- 你当然可以，但是我想进入这个领域则无比艰难。
- 我是一名软件工程师，我自学了机器学习，我如何在没有相关经验的情况下找到一份关于机器学习的工作？
- 我正在为我的团队招聘机器学习专家，但你的MOOC并不会给你带来工作机会。事实上，大多数机器学习方向的硕士也并不会得到工作机会，因为他们（与大多数上过MOOC的人一样）并没有深入地去理解。他们都没法帮助我的团队解决问题。
- 找一份机器学习相关的工作需要掌握怎样的技能？
- 首先，你得有正儿八经的计科或数学专业背景。ML是一个比较先进的课题，大多数的教材都会直接默认你有以上背景。其次，机器学习是一个集成了许多子专业的奇技淫巧的课题，你甚至会想看看MS的机器学习课程，去看看他们的授课、课程和教材。
- 统计，假设，分布式计算，然后继续统计。
我深陷困境。
据我所知, 机器学习有两个方向：
- 实用机器学习： 这个方向主要是查询数据库、数据清洗、写脚本来转化数据，把算法和库结合起来再加上一些定制化的代码，从数据中挤出一些准确的答案来证明一些困难且模糊不清的问题。实际上它非常混乱。
- 理论机器学习： 这个方向主要是关于数学、抽象、理想状况、极限条件、典型例子以及一切可能的特征。这个方向十分的干净、整洁，远离混乱的现实。
我认为对于以实践为主的人来说，做好的方法就是 “练习--学习--练习”，这意味着每个学生一开始就能参与一些现有项目与一些问题，并练习（解决）它们以熟悉传统的方法是怎么做的。在有了一些简单的练习经验之后，他们就可以开始钻进书里去学习理论知识。这些理论知识将帮助他们在将来进行更进一步的训练，充实他们解决实际问题的工具箱。学习理论知识还会加深他们对那些简单练习的理解，帮助他们更快地获得进阶的经验。
这是一个很长的计划，它花去了我一年的时间。如果你已经对它有所了解了，它将会让你省去很多时间。
以下的内容全部是概要，你需要从上往下来解决这些项目。
我使用的是Github独特的flavored markdown的任务列表来检查我计划的进展。
- 创建一个新的分支，然后你可以这样来标出你已经完成的项目，只需要在框中填写一个x即可：[x]
了解更多有关 Github-flavored markdown的知识
我是一名非常非常想去美国工作的越南软件工程师。
我在这份计划中花多少时间？在每天的艰辛工作完成后，每晚花4小时。
我已经在梦想的旅途中了。
- Twitter: @Nam Vu
 |
|---|
| USA as heck |
当我打开书本，发现他们告诉我多元微积分、统计与推理、线性代数是先决条件的时候，我变得非常沮丧。我不知道从哪儿开始…
部分视频只有在Coursera、EdX的课程注册了才能观看。虽然是免费的，但是有时候这些课程不在开放的时间段，你可能需要等上一段时间(可能是好几个月)。我将会加上更多的公开的视频源来代替这些在线课程的视频。我很喜欢大学的讲座。
这个小章节是一些在每日计划开始前我想去了解的一些预备知识与一些有趣的信息。
每个主题都不需要用一整天来完全理解它们，你可以每天完成它们中的多个。
每天我都会从下面的列表中选一个出来，一遍又一遍的读，做笔记，练习，用Python或R语言实现它。
- 形象的机器学习简介
- 一份温柔的机器学习指南
- 菜鸟的机器学习基础
- 你如何向非计算机专业的人来解释机器学习与数据挖掘？
- 在罩子下的机器学习，博文简单明了地介绍了机器学习的原理
- 机器学习是什么？它是如何工作的呢？
- 一周的机器学习
- 一年的机器学习
- 我是如何在3天内写出我的第一个机器学习程序的
- 学习路径：你成为机器学习专家的导师
- 不是PhD你也可以成为机器学习的摇滚明星
- 如何6个月成为一名数据科学家：一名黑客的职业规划
- 5个你成为机器学习工程师必须要掌握的技能
- 你是一个自学成才的机器学习工程师吗？你是怎么做的？花了多长时间？
- 一个人如何成为一名优秀的机器学习工程师？
- 一个关注于机器学习的学术假期
- Data Smart: Using Data Science to Transform Information into Insight 1st Edition
- Data Science for Business: What you need to know about data mining and data analytic-thinking
- Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die
- Machine Learning for Hackers
- Python Machine Learning
- Programming Collective Intelligence: Building Smart Web 2.0 Applications
- Machine Learning: An Algorithmic Perspective, Second Edition
- Introduction to Machine Learning with Python: A Guide for Data Scientists
- Data Mining: Practical Machine Learning Tools and Techniques, Third Edition
- Teaching material
- Machine Learning in Action
- Reactive Machine Learning Systems(MEAP)
- An Introduction to Statistical Learning
- Building Machine Learning Systems with Python
- Learning scikit-learn: Machine Learning in Python
- Probabilistic Programming & Bayesian Methods for Hackers
- Probabilistic Graphical Models: Principles and Techniques
- Machine Learning: Hands-On for Developers and Technical Professionals
- Learning from Data
- Reinforcement Learning: An Introduction (2nd Edition)
- Machine Learning with TensorFlow(MEAP)
- Machine Learning for Hackers
- Fresh Machine Learning
- Machine Learning Recipes with Josh Gordon
- Everything You Need to know about Machine Learning in 30 Minutes or Less
- Nuts and Bolts of Applying Deep Learning - Andrew Ng
- BigML Webinar
- mathematicalmonk's Machine Learning tutorials
- Machine learning in Python with scikit-learn
- My playlist – Top YouTube Videos on Machine Learning, Neural Network & Deep Learning
- 16 New Must Watch Tutorials, Courses on Machine Learning
- Udacity的机器学习导论
- Udacity的监督学习、非监督学习及深入
- Machine Learning Foundations: A Case Study Approach
- Courserad的机器学习
- Machine Learning Distilled
- BigML training
- Coursera的神经网络课程
- 由Geoffrey Hinton（神经网络的先驱）执教
- 使用TensorFlow创建深度学习应用
- 描述统计学概论
- 推理统计学概论
- Hacker News的《软件工程师的机器学习》
- 开发者的机器学习
- 给开发者的关于机器学习的建议
- 机器学习入门
- 机器学习自学资源
- 提升你的机器学习技能
- 用机器学习让Hacker News更具可读性
- 深入机器学习
- 大学中的机器学习课程
- Flipboard的主题
- Medium的主题
- 每月文章Top10
- 全面的数据科学家的资源
- DigitalMind的人工智能资源
- 令人惊叹的机器学习
- CreativeAi的机器学习
- tensorflow/magenta: Magenta: Music and Art Generation with Machine Intelligence
- tensorflow/tensorflow: Computation using data flow graphs for scalable machine learning
- cmusatyalab/openface: Face recognition with deep neural networks.
- tensorflow/models/syntaxnet: Neural Models of Syntax.