机器学习指南

最近又收集了蛮对这块的学习资料和教程，过段时间重构一下这个指南

（2022.03025）

现在可能并没有太多时间来专研这块，不过可以当做是自己的一个计划表吧，所以在这里做一个资料收集的目录，为以后学习铺一点路。该文案主要是收集以下内容：

1、深度学习入门资料

2、图像识别

3、智能风控

4、AI算法

5、深度学习框架库的使用

6、人工智能/深度学习在安全方面的应用

7、机器学习

前言

学习这一大类的知识，是需要一个数学功底和基础的编程知识，其中很多内容都是来源于统计学，实际上这也是这一类技术解决的问题，为大数据而生，需要使用数据来训练模型，才能后发挥出这项技术真正实力。

学习路径

比较喜欢天池平台上的一张图片

基本上涵盖了人工智能、机器学习和深度学习知识框架，当然在该平台上也含有挺多的课程，值得推荐。link

同时推荐国内最大的人工智能开源社区

datawhale，不过最丰富的还是其github仓库中，后面挺多的学习的资料都会引用其中的。

如果确实不太清楚怎么学，学习路径是什么，可以关注其组队学习，几乎每个月都会组织组队学习。

基础篇

基础学习当然是学习（复习）基本的数学知识，概率论、统计学、高等数学、线性代数等等知识。其次便是学习python语法和与数据处理相关的库。

基础学习推荐教程:天池平台中的python语法和Al数学基础两门课程

当然python语法学习和数学学习还有很对教程可以看，根据自己的实际情况学习

相关库学习推荐：NumPy、Pandas、Matplotlib

基本上这就是几个基本的python库，在后续的数据分析和挖掘过程中是使用最为频繁。

数据分析课程

我们的很对内容都是针对数据进行展开工作的，所以对数据分析、数据清洗是我们训练模型的前奏。

推荐课程：hands on data analysis

内容并不多，可以在学完基础的python和相关的库后进行学习

视频课程：数据分析

机器学习教程

吴恩达的机器学习系列课程

吴恩达的课程更多的是在学习机器学习的理论知识，同时也讲到了很对的机器学习算法，算是入门机器学习一个很经典的课程。

机器学习讲义

实战（进阶）篇

数据挖掘实战

①、数据挖掘实战，势必会用到机器学习算法来训练模型，解决问题，这里首先推荐的是几款难度并不是很大的实战项目

数据挖掘实践（房租预测）

数据挖掘实战（异常检测）

数据挖掘实践（金融风控）

数据挖掘实践（心跳信号分类）

数据挖掘实践（气象海洋预测）

数据挖掘实践（二手车价格预测）

数据挖掘实践（城市管理大数据）

数据挖掘实践（资金流入流出预测）

数据分析实践（学术前沿趋势分析）