笔记： 如果您在 2021 年看到这篇文章并想，“嗯，我想知道这是否仍然有效？”，它是！视频/路线图中的主要概念仍然有效，但是您可能会注意到整个列出的网站发生了一些更改（例如，它们进行了设计更改）。
如果您曾经想要一个包含机器学习中许多最基本概念的互连网络，2020 年机器学习路线图将为您提供帮助。
当然，它并不能涵盖所有内容，需要多本教科书，但这足以开始并持续很长时间。
它将帮助您连接不同概念之间的点，这在学习一个主题时至关重要，因为您不是孤立地学习单个主题，而是开始理解它如何与其他所有内容结合在一起。
一旦你有了一个概述，你就可以更深入地挖掘任何激发你好奇心的东西。
乍一看，所有这些概念都以这种方式联系在一起，这似乎令人生畏，但重要的是要认识到，通过足够的实验、足够的探索、足够的尝试和错误、足够的游戏，谜题的各个部分将开始就位。 。
在撰写本文时，我已经研究机器学习 3 年了（作为参考，我从 2017 年中开始）。虽然从一开始我就学到了很多东西，但我仍然认为自己是一个业余爱好者。我的学习是自上而下的，正如本路线图所提供的那样。现在我开始采用自下而上的方法，目标是让自己处于中间的某个位置。
它涵盖什么？
该路线图分为五个路径：
- 🤔 机器学习问题 – 机器学习的主要问题是什么？
- ♻️ 机器学习过程 – 您如何解决典型的机器学习问题？
- 🛠 机器学习工具 – 您可以使用哪些工具来构建您想要的解决方案？
- 🧮 机器学习数学 – 机器学习是数学几个分支的组合，这些是什么？
- 📚 机器学习资源 – 你如何以及你应该去哪里学习以上所有内容？
提供了了解更多信息的资源以及每个内容的简短概述。
它缺少什么？
当然，这偏向于我自己在该领域的经验。所以它重点关注Python编程语言。当然，由于机器学习是应用数学，因此在任何具有数字成分的编程语言中都是可能的。
它还重点关注监督学习。一旦/如果我在其他学习技术（例如无监督学习或自我监督学习）方面获得更多经验，我就会添加它们。
可能还有更多，但我现在还没有想到。
然而，美妙的是，因为它是动态的，我可以用你认为应该添加的任何内容来更新它。如果您认为需要更新，请告诉我（我会将其公开编辑，但面临着变成资源荒野的风险，并且创建它的工具缺乏提供编辑的机会）建议，已决定反对）。
你可以如何使用它？
我建议的方法是探索、探索、再探索。根据您的技能水平，您可以将其视为参考或资源持有者（其中有许多有用的链接）。
如果有些事情不清楚，不要害怕回顾它。学习不是线性的，第二次或第三次修改某些内容通常会带来两倍或三倍以上的好处。
对于视觉/听觉学习者，还有一部长片（实际上比大多数电影都长）视频演练和演示。
资源
快乐（机器）学习！
如需了解更多信息或请求更新某些内容，请在 GitHub 上留下问题或给我发消息。
