原标题：HOW TO GET STARTED WITH MACHINE LEARNING!

视频介绍：https://v.qq.com/iframe/player.html?vid=f0639ireb7v&tiny=0&auto=0

　　一提到机器学习，我被问得最多的问题是：给那些开端学习机器学习的人的***的主张是什么？

　　其实说句实话，我并不知道怎样答复这个问题。每一个学习者都是***的个别，有自己的学习需求和意图。我所能做的，便是共享一下最初我开端学习机器学习的时分，对我很有用的办法。

　　我是怎样开端触摸机器学习的

　　让时刻回到 2017 年，我看到了 SethBling 完结机器学习来玩游戏的一个小演示。

Sethbling-Marl/O-Machine Learing for Video Games

　　这个小机器人有了自主学习的才能，乃至能够一次又一次地玩马里奥游戏，其时我就震动了。在那之后，我看到了其他运用神经网络的机器人，被用于各种不同的游戏——

Ding Nicolas-A genetic algorithm learns how to fight!

　　从 Caryhk 传统的机器学习项目

carykh-Neural Networks and Unwanted Pregnancies in Evolv.io!

　　到星际机器学习项目——

Youtube Uploaded-AI SC2 FirstSteps

　　有些人还做了关于侃爷 Rap 的 LSTM 项目

Rabboie Barrat-Neural Network Generated Rap, V2

　　还有 Dota2 的 Open AI

Dota 2 Dendi vs OpenAI (Bot)-1v1-T17

　　sentdex 制造的 GTA

sentdex-Stream, FPV, and more dada-Python plays GTA P.15

　　我知道我有必要要去学机器学习，这玩意儿几乎太酷了。

　　我安装了 TensorFlow，从 syntax 上下载了些代码，可是彻底不知道代码里是怎样一回事，神经网络确实成功地运用许多的数据集，练习了模型，但我对代码所做的每一次修正都会报错，部分是由于 Python 的语法我之前彻底没触摸过，更为重要的是，我彻底不知道该怎样写神经网络。

　　我先是快速 Google 了一下“怎样写一个神经网络？”，我发现了一个由彻底听不同的数学和符号组成的庞然大物，对我而言看上去就像是外星语，那时我感觉到了激烈的挫折感，但我不达意图誓不罢休。就在那时我触摸到了 Coursera 上吴恩达的机器学习课程，我的天，那个课程相同也是外星语，我能够完结前几章课程彻底没有问题，但那之后，吴恩达又开端讲外星语了。

　　我是怎样坚持下去的

　　同志们，假如像我这样开端机器学习旅程，毫无疑问你会碰到一次巨大的词汇冲击。信任我，你大多数的困惑是由于无法了解提及的单词所引起的。当我意识到这个之后，我改变了我学习办法，转而去学习这个巨大的外星语。在我学习的过程中，有许多术语和符号会重复呈现：向量，矩阵，激活函数传达，机器学习等等。我在“向量”这个概念上花了一段时刻，感谢 unity3D，每逢我觉得了解了机器学习中的一些概念，比方矩阵乘法，我都会回到我最喜欢的机器学习资源，去看看它们关于我来说，是不是变得简略了解了。我很惊奇突然之间，我能够略微更好地了解这门外星语了。

　　每逢有概念毫无条理让我止步不前，我都会把他们独自拿出来，举个比如，当我遇到 sigmoid 或许其他的激活函数，我就会列出一堆困扰我的问题，然后一个个独自查找。

　　提到这，我非常引荐可汗学院 .com。这里有一切在你写自己的机器学习算法所要用到的。我在这里列出了一些你需求去学习的很重要的数学课供你参阅，对我个人而言，协助很大。

　　我个人很喜欢的学习资源：

Activation Functions -https://en.wikipedia.org/wiki/Activation_function

Luis Serrano's Neural Network Series (REALLY GOOD) -https://www.youtube.com/watch?v=UNmqTiOnRfg

Giant_Neural_Network's Neural Network Series (REALLY GOOD) -https://www.youtube.com/watch?v=ZzWaow1Rvho

Macheads101's Neural Network series -https://www.youtube.com/watch?v=OypPjvm4kiA

3Blue1Brown's Neural Network Series -https://www.youtube.com/watch?v=aircAruvnKk

Hugo's Neural Network Series -http://www.mooc.ai/course/300

James Mccaffrey Talk (A BIT OUTDATED INFORMATION BUT STILL A FUN ONE)-https://www.youtube.com/watch?v=-zT1Zi_ukSk

　　一些很重要的数学课

Vectors (explained with Linear Algebra):https://www.khanacademy.org/math/linear-algebra/vectors-and-spaces

Vectors (explained with PreCal):https://www.khanacademy.org/math/precalculus/vectors-precalc

Matrices:https://www.khanacademy.org/math/precalculus/precalc-matrices

Sequences:https://www.khanacademy.org/math/precalculus/seq-induction

Derivative Rules: hhttps://www.khanacademy.org/math/ap-calculus-bc/bc-derivative-rules

　　一些或许会协助到你的数学课

Algebra Functions:https://www.khanacademy.org/math/algebra/algebra-functions

Quadratics:https://www.khanacademy.org/math/algebra/quadratics

Irrational:https://www.khanacademy.org/math/algebra/rational-and-irrational-numbers

Analyzing Categorical Data:https://www.khanacademy.org/math/statistics-probability/analyzing-categorical-data

　　我的主张

　　（1）更好地了解伪代码

　　我觉得学习怎样写机器学习算法***的办法，便是去更好地了解伪代码。咱们要了解怎样去核算它们，还有各种不同的能够彼此转化的指数。在我的经历里，大多数情况下，伪代码是非常明晰的。但假如不是的话，或许是由于在外星语中呈现的太频频了。

　　学习怎样将伪代码转化成你最喜欢的编程言语，其实是最重要的事。其实没有一个一码通吃的神经网络，实践上当你从不同的教师那里学习怎样写神经网络的时分，请必定要注意，他们不会总是运用相同数量的输入，躲藏层节点，激活函数，或许连术语都不相同，有些教师或许会把偏置说成另一个词，这便是伪代码如此重要的原因。

　　（2）前馈神经网络比如

　　除了之前所说的我能给你***的主张，便是用一个简略的前馈神经网络比如来开端你的学习，这有一个很好的比如——做一个文字色彩猜测器，当你供给给它，红，绿，蓝值作为输入的时分，测验去练习它作出，在此之上应该运用深色字仍是淡色字，让它能够能够被认出来的猜测。我觉得这是个很好的有很简略的项目，值得仔细研讨以此来学习机器学习的根底。

　　（3）马上开端着手

　　主张你从最开端就着手写你的神经网络，我指的是你学习的***天，就在这个视频完毕的时分，马上翻开你的 IDE。纸上得来终觉浅，绝知此事要躬行。虽然理论上知道，怎样写神经网络很帅，但实践去写一个神经网络是彻底不同的。

　　当你开端去写一个神经网络的时分，你会卡住，然后你就有了***个需求去找的问题，测验去处理它，如此往复，直到你成功。我特别期望，从最一开端我就知道这个主张，这或许会削减我大部分学习的时刻。

　　（4）站在伟人的膀子上

　　假如你真的想要能够很好地写出机器学习算法，你需求依托别人的研讨和代码，由于事实上这其实仍是一个刚起步的范畴，每周都会有新的东西诞生。

　　***一个我想给你们的重要主张是，其实你也能够不像我之前说的那样做，形象点来说，机器学习就好像电脑相同。假如你真的想要一台电脑，你能够从头拼装一台，或许你也能够直接买一台整机，这两件事***的结果是相同的。我个人想要去学习怎样从头构建神经网络由于，我是个操控欲很强的疯子。

　　有许多比如，TensorFlow，PyTorch，Theano，Keras，和其他的机器学习结构，他们就好像是一台装好的电脑，你能够直接开端看教程，开端学习怎样去运用它们，你不需求关怀许多，比如导数，矩阵乘法，激活函数这些概念，这些机器学习结构现已把大多数杂乱的工作做好了，不过清楚明了的，以此为价值的便是，当网络内部呈现问题，或许运转不正确时，找出哪里呈现问题，会是件很困难的事，这都取决于你想要什么

　　不论怎样样，请必定要记住满意你的好奇心，在机器学习的道路上走得越来越远。

　　视频旧址https://www.youtube.com/watch?v=I74ymkoNTnw