工具、课程、书籍与学习路线推荐

机器学习基础系列

  1. 学习资源 👈 当前
  2. 核心概念
  3. 线性代数基础
  4. 概率统计基础
  5. 微积分基础
  6. 损失函数与优化
  7. 线性回归
  8. 多项式回归与正则化
  9. 逻辑回归
  10. 决策树
  11. 随机森林
  12. 支持向量机
  13. K近邻算法
  14. 朴素贝叶斯
  15. 聚类算法
  16. 降维技术
  17. 模型评估指标
  18. 交叉验证
  19. 过拟合与欠拟合
  20. 超参数调优
  21. 神经网络基础
  22. 前馈神经网络
  23. 激活函数
  24. 反向传播
  25. 优化算法详解
  26. 批归一化
  27. Dropout详解
  28. 卷积神经网络
  29. 循环神经网络
  30. 注意力机制
  31. Transformer
  32. 迁移学习
  33. 实战项目
  34. 集成学习
  35. XGBoost与LightGBM
  36. 自编码器
  37. 生成对抗网络
  38. 图神经网络
  39. 混合专家模型
  40. 强化学习基础
  41. 自监督学习
  42. 知识蒸馏
  43. LoRA与参数高效微调
  44. 模型量化与剪枝

前言

本文整理了机器学习和深度学习领域的优质学习资源，帮助读者系统性地构建知识体系。

在线课程

入门课程

课程平台讲师特点
Machine LearningCourseraAndrew Ng经典入门，数学推导清晰
Deep Learning SpecializationCourseraAndrew Ng深度学习五门课
CS229StanfordAndrew Ng更深入的数学推导
Practical Deep Learningfast.aiJeremy Howard代码优先，实战导向
李宏毅机器学习YouTube/B站李宏毅中文讲解，深入浅出

进阶课程

课程方向特点
CS231n (Stanford)计算机视觉CNN经典课程
CS224n (Stanford)自然语言处理NLP必修
CS285 (UC Berkeley)强化学习深度RL

视频资源

3Blue1Brown 系列（强烈推荐，直观理解数学本质）：

  • 线性代数的本质：向量、矩阵、特征值的几何意义
  • 微积分的本质：导数、积分的直观理解
  • 神经网络：可视化理解神经网络原理

概率统计（B站）：

经典书籍

机器学习理论

书名作者难度特点
《机器学习》（西瓜书）周志华⭐⭐⭐中文经典，覆盖全面
《统计学习方法》李航⭐⭐⭐⭐理论严谨，推导详细
Pattern Recognition and MLBishop⭐⭐⭐⭐⭐贝叶斯视角
Elements of Statistical LearningHTF⭐⭐⭐⭐⭐统计学习圣经

深度学习

书名作者特点
《深度学习》（花书）Goodfellow等理论全面，数学严谨
《动手学深度学习》李沐等代码实践，开源免费
《神经网络与深度学习》邱锡鹏中文，理论清晰

Python与数据科学

书名作者特点
《Python数据科学手册》Jake VanderPlasNumPy/Pandas/Matplotlib
《利用Python进行数据分析》Wes McKinneyPandas作者亲笔
Hands-On ML with Sklearn & TFAurélien Géron实战导向

开源书籍：

数学基础

线性代数

  • 《线性代数及其应用》Gilbert Strang
  • MIT 18.06 线性代数公开课
  • 3Blue1Brown《线性代数的本质》

概率统计

微积分与优化

  • 《微积分》同济版
  • 3Blue1Brown《微积分的本质》
  • 《凸优化》Boyd（进阶）

开发环境

必备工具

工具用途
VS Code / PyCharm代码编辑器
Jupyter Lab交互式编程
Google Colab免费GPU云端环境

Python库安装

# 数据科学基础
pip install numpy pandas matplotlib seaborn scikit-learn scipy

# 深度学习框架
pip install torch torchvision torchaudio
pip install tensorflow keras

# Jupyter
pip install jupyterlab notebook

官方文档

库链接
NumPynumpy.org/doc
Pandaspandas.pydata.org/docs
Scikit-learnscikit-learn.org
PyTorchpytorch.org/docs
Matplotlibmatplotlib.org
Seabornseaborn.pydata.org

实践平台

竞赛平台

平台特点
Kaggle最大的数据科学竞赛平台，免费GPU
天池阿里云，中文友好
和鲸中文社区，教程丰富

入门项目推荐

项目难度学习目标
Titanic生还预测⭐数据处理、特征工程、分类
房价预测⭐⭐回归模型、特征选择
MNIST手写数字⭐⭐神经网络入门
猫狗分类⭐⭐⭐CNN、迁移学习
情感分析⭐⭐⭐NLP、文本处理

开源资源

资源链接
Hugging Facehuggingface.co - 预训练模型库
Papers With Codepaperswithcode.com - 论文+代码
Awesome MLGitHub

学习路线

阶段一：基础入门（1-2个月）

  • Python编程基础
  • NumPy、Pandas数据处理
  • 线性代数、概率统计基础
  • 完成Kaggle Titanic项目

阶段二：机器学习（2-3个月）

  • 吴恩达机器学习课程
  • 监督学习算法（回归、分类、树模型）
  • 无监督学习（聚类、降维）
  • 模型评估与调优

阶段三：深度学习（2-3个月）

  • 神经网络基础
  • CNN、RNN、Transformer
  • PyTorch/TensorFlow实战
  • 完成图像分类/NLP项目

阶段四：进阶方向（持续学习）

  • 选择细分方向：CV / NLP / 推荐系统 / 强化学习
  • 阅读领域经典论文
  • 参与开源项目或竞赛
  • 关注最新研究动态

常见问题

Q1: 数学基础薄弱怎么办？

先从3Blue1Brown视频入手建立直觉，再学习理论。不需要一开始就精通所有数学，边学边补即可。

Q2: 应该学PyTorch还是TensorFlow？

目前PyTorch在学术界更流行，工业界两者都有。建议优先学习PyTorch。

Q3: 需要GPU吗？

入门阶段CPU足够。进阶可使用Google Colab免费GPU，或租用云GPU。

Q4: 如何保持学习动力？

  • 设定小目标，及时获得正反馈
  • 参与社区讨论
  • 做有趣的项目

总结

类型推荐
入门课程吴恩达ML、李宏毅ML
理论书籍西瓜书、统计学习方法
实践平台Kaggle、Google Colab
开发工具VS Code + Jupyter

参考链接

版权声明: 如无特别声明，本文版权归 sshipanoo 所有，转载请注明本文链接。

（采用 CC BY-NC-SA 4.0 许可协议进行授权）

本文标题:机器学习基础系列——学习资源

本文链接:https://www.sshipanoo.com/blog/ai/ml-basics/机器学习资源/

本文最后一次更新为 天前，文章中的某些内容可能已过时！

目录