机器学习路线图 ：机器学习 (ML) 是人工智能 (AI) 的一种，它允许软件应用程序在预测结果方面变得更加准确，而无需明确编程。机器学习算法使用历史数据作为输入来预测新的输出值。
推荐引擎是机器学习的常见用例。其他流行的用途包括欺诈检测、垃圾邮件过滤、恶意软件威胁检测、业务流程自动化 (BPA) 和预测性维护。
为什么机器学习很重要？
机器学习很重要，因为它使企业能够了解客户行为和业务运营模式的趋势，并支持新产品的开发。当今许多领先的公司，例如 Facebook、Google 和 Uber，都将机器学习作为其运营的核心部分。机器学习已成为许多公司的重要竞争优势。
如果你想用Python学习机器学习。希望您了解以下概念：
- 变量
- 数学运算符
- 控制语句
- 数据结构（列表、集合、字典等）
- 处理文件
- 功能
- 面向对象编程
如果您不熟悉 Python，可以通过多种方法来学习这种强大的简单语言。您可以在 Udemy、Coursera 等上学习一些课程
机器学习的特点：
• ML 使用数据来检测数据中的各种模式
自动给定数据集
• 机器学习可以从过去的数据中学习并自动改进
。 ML是一种数据驱动的技术
• 它与数据挖掘非常相似，因为它也处理大量数据
机器学习的需求是什么：
- 解决复杂问题
- 包括金融在内的各个部门的决策
- 寻找隐藏的模式并从数据中提取有用的信息
- 数据生产快速增长
机器学习的应用：
- 自动驾驶汽车
- 股票市场交易
- 图像识别
- 语音识别
- 交通预测
- 在线欺诈检测
- 医疗诊断
- 电子邮件垃圾邮件和恶意软件过滤
- 自动语言翻译
让我们开始
第 1 步：选择一种编程语言并开始！
开始学习机器学习的第一步是选择一种编程语言。市场上有不同的编程语言，但最适合机器学习的是Python和R。
我推荐Python。为什么？因为它很受欢迎、易于学习且面向未来
使用Python，您可以轻松切换域。 Python 提供了流行的框架，例如用于后端开发的 Django 和 Flask、用于 GUI 开发的 Tkinter、用于游戏开发的 Pygames 等。
如果你选择Python，你必须学习sklearn来进行机器学习。 Sklearn 是一个用 Python 编写的现代机器学习库。
sklearn 最好的一点是，大多数机器学习算法都是为您编写的。它有很多有用的类可用于预处理数据以进行进一步分析
如果您想用印地语学习机器学习，您可以通过 YouTube 频道的端到端机器学习视频进行学习，他将引导您完成从头开始解决机器学习问题的步骤。
您还应该研究一下 Tensorflow 模块，它可以帮助您轻松构建神经网络！
第二步：学习线性代数
如果您想掌握机器学习并成为专业人士，您应该学习线性代数！
这是至关重要的，因为如果您想以最大的灵活性调整模型，您需要知道它们是如何工作的，而了解线性代数是必须的！
当你开始时，你应该专注于步骤 1，在执行步骤 1 的同时，你可以并行地开始学习线性代数。这就是我所说的并行征服技术。
你同时开始两件类似的事情，专注于第一个任务，而对其他任务保持相对较低的优先级。这可以帮助您保持热情和动力。
我发现这些 pdf 笔记是对重新审视线性代数概念非常有帮助的资源之一。
第三步：学习概率与统计
对于掌握机器学习而言，对概率和统计有基本的了解非常重要。
以下是最好的资源之一：MathBox 的统计修订说明。
由于机器学习概念的基础源自统计和概率，因此熟悉它们并掌握统计和概率对于理解 ML 概念有很大帮助。您可以在 KhanAcademy 课程中学习它们。您应该了解以下概念：
- 分类和数值数据
- 均值、众数和中位数
- 标准差和方差
- 协方差
- 相关性
- 偏度
- 随机变量
- 发行版
- 经典概率
- 条件概率
第 4 步：学习核心 ML 算法
一旦您在学习 Python 后对使用 sklearn 有了一定的了解，您就应该开始研究这些机器学习算法的工作原理。
在使用sklearn时，ML算法是由sklearn开发人员编写的黑匣子。
为了了解这些机器学习算法如何从内部工作，请研究：
- 梯度下降
- 坡
- 监督学习与无监督学习
- 强化学习
- 基本线性回归
- 所有此类类似模型的工作原理
- 聚类
了解这一切的一个令人惊叹的资源是一本名为“Hands-on ML with Scikit learn and tensorflow”的书。 （不是附属链接）
尝试获取这本书的副本。这会对你有很大帮助。
还有一些其他资源值得研究：
如何读书
- 安排你的阅读时间
- 尝试翻页并寻找练习题
- 现在尝试在阅读时找到这些问题的答案
- 这些是本书作者希望您关注的要点
- 尝试使用Microsoft Edge的朗读功能。效果很好
第 5 步：学习 Python 库
- 学习 Numpy
- 学习熊猫
- 所有这些都将有助于调试 python/sklearn 代码
第 6 步：学习部署
要使用强大的后端托管机器学习模型，您需要学习 Django 和 Flask 等框架。
如果您想快速交付和部署模型，Docker 和 Kubernetes 可以提供很大帮助！
如果您希望为机器学习和数据科学构建自定义 Web 应用程序，Streamlit 值得研究。
学习 ML 的资源
机器学习资源
这些是您可以用来成为机器学习或深度学习工程师的资源。所有资源均可在线免费获取。请检查他们各自的许可证。
机器学习理论
深度学习理论
前向和反向传播理论和代码
- 用 Python 揭秘神经网络，Welch Labs
使用 Python 和 Scikit-learn 进行通用机器学习
- 使用 scikit-learn 进行机器学习，数据学校
- 使用 scikit-learn 进行机器学习，Jake Vanderplas
- 使用 scikit-learn 进行机器学习，Andreas Mueller
- 使用 Python 的卷积神经网络，斯坦福大学
使用 TensorFlow/Keras 的卷积神经网络
强化学习理论
使用 TensorFlow/Keras 进行强化学习
循环神经网络理论
使用 TensorFlow 的循环神经网络
数学对机器学习有用
深度学习环境
最佳书籍
就我个人而言，在完成课程后，我发现书籍是最好的知识来源。您可以在这里加强对 ML 项目中使用的概念的理论理解。
1 – 百页机器学习书 安德烈·布尔科夫
一本很短的书，但知识很齐全。 Andriy 压缩了 AI/ML 的所有要点，并将其放入这本 100 页的书中[准确地说是 138 页]。
2 – 使用 Scikit-Learn、Keras 和 Tensorflow 2.0 进行机器学习实践书籍 作者：Aurelien Geron — O’Reilly
据我所知，这本书是 deeplearning.ai 的机器学习和深度学习专业课程的替代品。我更喜欢这本书，因为它有完美的解释，并且每个概念都有很好的代码可以并排尝试。您还可以通过以下链接访问本书中的开源代码 - https://github.com/ageron/handson-ml2
3 – 深度学习书籍 作者：伊恩·古德费洛
如果你想更深入地了解深度学习的数学方面，那么这本书有你需要的一切。 2015年出版的，虽然比较老，但是内容还是很棒的。
奖金书
生活3.0 通过马克斯·泰格马克
《Life 3.0》不是为了学习人工智能和机器学习，但它是一本精彩的书，讨论了人工智能对人类未来的影响和宇宙影响。作者的观点很有趣，确实值得一读。
机器学习理论
作为一名机器学习工程师，您应该掌握以下概念：
- 清洁数据
- 填补缺失值
- 删除一些功能
- 特征选择
- 特征缩放
- 正则化
- 特征工程（首先可选）
- 回归算法
- 简单线性回归
- 山脊和套索
- 多元线性回归
- 多项式回归
- XGB回归器
- 分类算法
- KNN（K 最近邻）
- 逻辑回归
- 决策树
- 随机森林
- 朴素贝叶斯
- XGB分类器
- 聚类算法
- K-均值
- DBSCAN（基于密度的应用程序空间聚类）
- 降维
- PCA（主成分分析）
- LDA
- t-SNE
机器学习实践
sklearn sklearn常见问题
- 机器学习算法有哪些不同类型？
机器学习算法通常分为以下几类
- 监督学习 – 它们是一组算法，根据给定算法的示例输入输出数据来预测给定输入的输出。
- 无监督学习 – 它们是一组算法，尝试在数据集中找到未发现的模式，而无需向算法提供任何示例输入输出数据。
- 强化学习 – 强化学习是试错学习，程序尝试不同的策略，并从错误和成功中学习，以更好地完成任务。
- 机器学习如何工作？
使用多种分析程序，根据您的业务问题在流程中开发和完善算法。机器学习会查看当前数据的历史记录并检测其中的模式，然后相应地调整其未来的操作。其主要目的是清理数据并对未来的数据集进行预测。
机器学习统计方法（例如聚类、回归和分类）用于预测分析。
- 机器学习能为我和我的企业做什么？
最简单形式的机器学习将自动执行重复性任务。数据收集、排序、输入和转换均可实现自动化，从而为您的企业节省关键的时间和资源。以更精细的形式，它能够告诉您企业在何处以及如何取得成功，并对企业的未来做出预测。
- 我需要开始什么？
为了能够应用机器学习，您需要解决一个问题，并且需要与该问题相关的数据。您的数据最好采用结构化形式（在数据库或多个电子表格内），或非结构化形式（电子邮件和社交数据）。
- 在哪里可以找到一些用例？
产品推荐引擎（例如 Amazon 和 Netflix 使用的引擎）是以机器学习为设计核心的。事实证明，这些可以极大地增加收入和互动，亚马逊表示其总收入的 35% 来自其产品推荐引擎。
- 机器学习昂贵吗？
这完全取决于您所追求的确切流程，以及您是否使用定制系统或现成系统。虽然现成的系统通常按即付即用的方式工作，但它们的算法通常在灵活性方面受到限制。另一方面，定制包通常会测试和完善模型。飞行员的起价为几千磅，随着发展的增加，体重会增加。
- 什么是回归问题，什么是分类问题？举例说明？
回归问题 当输出变量连续时是一个问题 分类问题 是输出变量离散的问题。的例子 回归问题 预测纽约市第二天的温度，示例如下 分类问题 预测肿瘤是恶性还是良性。
- 什么是交叉验证？
交叉验证 是一种建模技术，用于评估统计模型如何推广到样本外数据。 交叉验证 还用于搜索或选择模型超参数。
有各种 交叉验证 技巧：
- 坚持交叉验证。
- k 折交叉验证。
- 嵌套交叉验证。
结论
机器学习是当今的热门话题，但很难知道应该从哪里开始。这个路线图会有所帮助！我们将详细介绍想要成为该领域专家的人所需的不同步骤，并将他们的职业生涯从“初学者”一直提升到“专家”水平！
