学生快乐编程之如何开始？

有很多同学联系我，觉得学习“机器学习”和“人工智能”非常辛苦，经常会放弃，转而投向游戏或者其他更舒适的内容。我想告诉同学们的是，学习是一件非常非常枯燥乏味的事情。所以(敲黑板啦！)，绝不是三分钟热血。而是要“兴趣+坚持”。

英语单词学习(现在机器学习和人工智能在国内还是新型行业。一手资料一定是外文的，所以要学！好！英！语！)

Machine Learning Engineer  机器学习引擎

Uber Driver  优步司机

Artificial Intelligence 人工智能

下面我来向大家介绍一位国外小伙是如何学习机器学习和人工智能的，希望对各位同学有些帮助。人生短暂，把握当下。

我是如何开始的

我的朋友和我正在建立一个网络创业公司。它失败了。由于缺乏资金支持，我们放弃了。但在此过程中，我开始越来越多地听到ML(Machine Learning)和AI(Artificial Intelligence)。“电脑为你学习东西？”我简直不敢相信。

我偶然发现了Udacity的Deep Learning Nanodegree。一个名为Siraj Raval的有趣角色出现在其中一个宣传片中。他的能量很有感染力。尽管我当时的技术并不符合会员基本要求（我之前从未编写过一行Python），但我还是注册了。

在课程开始日期前三周，我通过电子邮件向Udacity支持人员询问退款政策是什么。我很害怕我无法完成课程。

最终，我没有得到退款。我不得不在指定的时间表内完成了课程。那个挺难。真的很难！我的前两个项目迟交了四天。但是，参与世界上最重要的技术之一的兴奋促使我前进。完成深度学习Nanodegree，自动驾驶汽车Nanodegree或机器人Nanodegree。所有很棒的课程内容。

课程结束后，我有点失落。 “我下一步去哪儿？”

我需要一个课程。我在Deep Learning Nanodegree上建立了一个小小的基础，现在是时候弄清楚我接下来要去哪里了。

我的自创AI大师学位

我不打算很快回到大学。 无论如何，我没有10万美元的资金支持自己获得硕士学位。所以我做了我在开始时所做的事情。 向我的导师谷歌寻求帮助。

在没有任何事先了解该领域的情况下，我会深入学习。 一架直升飞机没有爬到人工智能冰山的顶端，而是让我从顶部掉下来。

在研究了一系列课程后，我列出了一些在Trello中最感兴趣的课程。

我知道在线课程的辍学率很高。 我不会让自己成为这个数字的一部分。 我有一个任务。

为了让自己负起责任，我开始在线分享我的学习历程。 我想我可以练习沟通我学到的东西，再找一些对我同样感兴趣的人。 当我继续我的一次AI恶作剧时，我的朋友仍然认为我是一个外星人。

我公开了Trello董事会，写了一篇关于我的努力的博客文章。

自从我第一次编写课程以来，课程略有变化，但它仍然具有相关性，我每周多次访问Trello董事会以跟踪我的进度。

得到一份工作

我买了一张飞往美国的机票，没有回程航班。我已经学习了一年，我认为这是我开始将我的技能付诸实践的时候了。

我的计划是向美国求助并获得雇用。

然后Ashlee在LinkedIn上给我发消息，“嘿，我看过你的帖子，他们真的很酷，我想你应该见到迈克。”

我遇到了迈克。

我告诉他我在网上学习的故事，我如何喜欢健康科技和我去美国的计划。

周四来了。我很紧张但有人曾经告诉我，紧张就像兴奋一样。我兴奋地说。

我花了一天时间与Max Kelsen团队会面以及他们正在努力解决的问题。

两个星期四之后，尼克，首席执行官，Athon，首席机器学习工程师，我去喝咖啡。

“你想怎么加入这个团队？”尼克问道。

“当然。”我说。

事实证明，我的美国航班被推迟了几个月，现在我有了回程机票。

分享你的工作

在线学习，我知道这是非常规的。我申请的所有角色都有硕士学位要求或至少某种技术学位。

我没有这些。但我确实拥有从大量在线课程中收集到的技能。

一路上，我在网上分享我的工作。我的GitHub包含了我所做的所有项目，我的LinkedIn已经堆积完毕，我实践了我通过YouTube学习的内容以及关于Medium的文章。

我从未递交过Max Kelsen的简历。 “我们在LinkedIn上检查了你。”

我的工作是我的简历。

无论你是在线学习还是通过硕士学位学习，拥有你所从事的工作组合都是在游戏中塑造肌肤的好方法。

需要ML和AI技能，但这并不意味着你不必展示它们。即使是最好的产品也不会没有任何货架空间。

无论是GitHub，Kaggle，LinkedIn还是博客，都有人可以找到你的地方。此外，拥有自己的互联网角落非常有趣。

你是怎么开始的？

你去哪里学习这些技能？哪些课程最好？

没有最好的答案。每个人的道路都会有所不同。有些人通过书籍更好地学习，有些人通过视频更好地学习。

什么比你如何开始更重要的是你为什么开始。

1. 1. 你为什么想学习这些技能？
   2. 你想赚钱吗？
   3. 你想建造东西吗？
   4. 你想要有所作为吗？

再一次，没有正确的理由。所有这些都以他们自己的方式有效。

从为什么开始，因为有一个为什么比如何更重要。拥有一个为什么意味着当它变得艰难并且会变得艰难时，你就有了一些可以转向的东西。提醒你为什么开始的东西。

有个为什么？好。一些硬技能的时间。

我只能推荐我尝试过的东西。

我已完成（按顺序）课程：

1. 树屋 -  Python简介
2. Udacity  - 深度学习和AI Nanodegree
3. Coursera  -  Andrew Ng的深度学习
4. fast.ai  - 第1部分，很快将成为第2部分

他们都是世界级的。我是一个视觉学习者。我会更好地了解正在完成/向我解释的事情。所以这些课程都反映了这一点。

如果你是一个绝对的初学者，请从一些入门的Python课程开始，当你更自信时，进入数据科学，机器学习和人工智能。

要具备多少数学知识？

---

我所拥有的最高水平的数学教育是在高中。其余的我通过可汗学院学到了，因为我需要它。

关于进入机器学习和人工智能需要了解多少数学，有很多不同的意见。我会分享我的。

如果您想将机器学习和AI技术应用于问题，您不一定需要深入了解数学才能获得良好的结果。像TensorFlow和PyTorch这样的库允许具有一点Python经验的人建立最先进的模型，同时在幕后处理数学。

如果您希望深入了解机器学习和人工智能研究，通过博士课程或类似的方式，深入了解数学是至关重要的。

就我而言，我不打算深入研究数学并将算法的性能提高10％。我会把它留给比我聪明的人。

相反，我非常乐意使用我可用的库并操纵它们以帮助解决我认为合适的问题。

以下是ML工程师每天要问自己的一些问题。

1. 上下文 - 如何使用ML来帮助您更多地了解您的问题？
2. 数据 - 您需要更多数据吗？它需要采用什么形式？当数据丢失时你会怎么做？
3. 建模 - 您应该使用哪种型号？它对数据（过度拟合）有效吗？或者为什么它不能很好地工作（不合适）？
4. 生产 - 您如何将模型投入生产？它应该是在线模型还是应该按时间间隔更新？
5. 正在进行 - 如果您的模型破裂会怎样？如何通过更多数据改进它？有更好的做事方式吗？
6. 我从fast.ai的联合创始人之一雷切尔托马斯的一篇很棒的文章中借用了这些文章，她在全文中进行了更深入的研究。

没有固定路径

进入ML或AI没有正确或错误的方法。

关于这个领域的美好之处在于我们可以访问世界上一些最好的技术，我们所要做的就是学习如何使用它们。

1. 您可以从学习Python代码开始。
2. 你可以从研究微积分和统计学开始。
3. 您可以从了解决策哲学开始。

由于这个领域的交叉，机器学习和AI让我着迷。

我越了解它，我就越意识到还有更多需要学习的东西。这让我大吃一惊。