简介

该网页为非计算机专业背景的人提供了一个学习人工智能/机器学习的 50 天路线图，强调解决问题的思维方式、学习和认证比技术背景或学位更重要。

摘要

题为 “50 天学习人工智能/机器学习 ：从零到英雄（非计算机专业背景）“的内容旨在帮助对人工智能/机器学习感兴趣的非计算机专业背景的个人，提供一个学习必要技能的 50 天路线图。该路线图假定读者对高中数学、线性代数、矩阵以及一些统计学和概率论有基本的了解。它包括 Python、Numpy、Pandas、Matplotlib、TensorFlow 和其他工具的学习资源，以及完成 Andrew Ng 的机器学习专业课程。路线图强调，要想在人工智能/机器学习领域取得成功，只需具备解决问题的思维方式、学习意愿和一些证书。

建议

  • 作者认为，非计算机专业背景的人也可以通过正确的心态和资源学习人工智能/机器学习。
  • 作者强调了解决问题的心态和学习意愿的重要性，而不是技术背景或学位。
  • 作者建议，对高中数学、线性代数、矩阵以及一些统计学和概率论有基本了解，就足以开始学习人工智能/机器学习。
  • 作者建议完成 Andrew Ng 的机器学习专业课程，作为 50 天路线图的一部分。
  • 作为路线图的一部分，作者提供了学习 Python、Numpy、Pandas、Matplotlib、TensorFlow 和其他工具的资源。
  • 作者鼓励个人练习编码和完成实践练习，以巩固所学知识。
  • 作者承认，学习人工智能/机器学习 有时会让人感到沮丧，并建议在必要时休息一下。

对人工智能感兴趣？非计算机专业背景？看起来像珠穆朗玛峰？不知道从哪里开始？或者要怎样才能达到目标？我能感受到你的心情。

如果你想知道你能不能做到，以及如何做到，请稍等片刻。你不会后悔的那么，让我们进入正题。

学习的基础需要什么？

你只需要一点这方面的能力、解决问题的心态、学习的意愿和一些证书。请放心，你绝对不需要任何技术背景，也不需要 计算机/人工智能 学位。

这个备忘录可能会让你轻松一些。你只需输入 import keras，keras 就会为你完成所有复杂的工作。你只需知道发生了什么。

Credits: https://m.facebook.com/groups/1638417209555402/

这是我 50 天内学习机器学习的“试错”之旅，经过提炼整理，更加有条理。

假设你在高中时认真上过数学课，对线性代数、矩阵、统计学和概率论略知一二，那么我们就可以进入第 1 天，马上开始真正的学习。

第1天

机器学习专项课程，作者：Andrew Ng

Deeplearning.ai YouTube 频道和 Coursera 提供 5 小时的课程。

第 2-3 天

Python：基本了解和练习。了解从 PRINT 到 FUNCTIONS 和 CLASSES 的所有内容。

您可以从 Realpython、geeksforgeeks、w3schools、freecodecamp 或任何视频教程（如 codewithmosh）中获取信息。不要错过 Pynative 或其他你喜欢的来源提供的每个主题的实践和练习。

第4天

Numpy：理解与实践。特别关注维度和索引。

您应该能够编写一些代码，并理解其语法，以便在深度学习课程的作业中使用时得心应手。
资料来源：官方文档，或与 Python 相同。必须进行练习。

第5天

Pandas

官方文档。您不需要精通 Python、Pandas、Numpy 或 Matplotlib。只要有基本的了解和一些练习就足够了。

第 6 天

Matplotlib

官方网站。

第 7-34 天

‼️重要备忘

  1. 本路线图以全日制学习为基础，每天 6-8 小时。如果你是兼职学习，也不用太在意学习天数，只要有进步就行。每天学习 3-4 小时显然可以达到 100 天。所以不用担心。
  2. 如果你的注意力像婴儿一样短暂，可能需要更长的时间。照相记忆，甚至编程背景都能让您更快地掌握。
  3. 如果您无法负担 Coursera 深度学习专业课程（5 门课程）的学费，则应为 5 门课程分别申请经济援助。获得批准需要 14 天。因此，请在第 1 天或之前提出申请。
  4. Deeplearning.ai YouTube 频道上也有吴恩达的所有课程，包括机器学习和深度学习，但你需要深度学习课程的认证来打造你的简历，而且你还需要完成作业，所以 Coursera 是你的不二之选。
  5. Stack Overflow 是你最好的朋友。养成在 stack overflow 上查找每个错误的补救方法的习惯，这是一项必备技能。只需复制错误并粘贴到谷歌上，你就会被Stack Overflow社区所震惊。
  6. 如果Stack Overflow找不到，虽然不建议你去找解决方案，但我还是建议你去 GitHub 上找，比较一下，发现自己的错误，吸取教训，不要在下一门课程中重蹈覆辙。这才是正确的做法，而不是沮丧和中途放弃。
  7. 你不必掌握任何东西。随着时间的推移，重复练习会提高你的熟练程度。

深度学习专项课程，由 Andrew Ng 主讲。

在 Coursera 上提供。这是一个包含 5 门课程的课程包，可以说是目前最好、最全面的深度学习课程。

它可以在不到 3 周的时间内完成，但分配 4 周的时间就可以轻松完成。遇到挫折时，你需要休息。让我们现实一点吧，嗯？ 😉 这本书有点偏重数学，但你不需要自己用实用人工智能求解这些方程，也不需要死记硬背数学知识。这只是对幕后工作的理解。所以不用太在意数学。重点放在 DL 概念和作业上，尤其是课程 4 和课程 5 的作业，因为你只会用到它们，而不会用到前面的作业。

Tensor flow：课程 3 结束后。你需要在第四和第五课中学习Tensor flow。但在第 3 课之前也无法理解。

Tensorflow 官方 YouTube 频道上有一个名为 “机器学习入门 “的 4 个视频系列：Tensorflow 官方 YouTube 频道上的 “机器学习入门：从入门到精通 “系列视频，包括 4 本练习笔记本。

第 35 天

Conda

下载、安装、阅读文档、练习。
软件包和文档均可在官方网站上获取。

第 36 天

Pycharm或任何其他 Python IDE

官方网站，下载社区版，免费。重点学习和使用热键，因为它能加快你的编码速度。学习/教程都在集成开发环境中。无需在其他地方阅读。

第 37 天

Gitlab Git

从入门到建立和管理 git 仓库。
官方网站就是很好的资料来源。

第 38 天

Flask：从了解 API 到 Flask 的实际使用。

官方网站或 geeksforgeeks。

第 39 天

Docker：从理解到使用 Docker 部署 flask API。

官方网站。

第 40-45 天

在 pycharm 或你最喜欢的集成开发环境中练习 Python 和 Numpy，重点练习你的薄弱环节。到那时，你在编码方面就会比第一周更加得心应手了。

第 46-49 天

快速复习机器学习和深度学习的概念，因为你不会过多地学习理论知识。现在是敲代码的时候了。

第 50 天

开始构建你的第一个深度学习项目！或人工智能项目。只要听起来很酷。😎

恭喜 🎉 你成功了。无聊的部分结束了。是时候开始了。你已经走了很长的路。回首往事，回想起你第一次读这个博客的时候。那时你什么都不懂。而今天，你正在进行你的第一个机器学习项目。祝你好运

如果您需要未来 50 天的路线图，请查看该博客。干杯 🥂

P.S. 如有疑问，请随时联系我。但一定要试着先自己搜索一下，这会让你自给自足，这是必备的技能。祝你好运

原文地址：50 Days to AI/ML: from Zero to Hero (for non-CS background)