如何自學機器學習

很多都會有一個問題“如何自學書本知識之外的內容”。也許你是想增加一些技能，也許僅僅是愛好，也許是你讀報紙書刊遇到一個你想去了解的知識點，也許是你要開始進行獨立的研究……總之，你總會面臨一些需要自學的情況。

不幸的是，現在的教育系統在教學上太事無巨細，因此很少給你機會獨立學習。但是我們到底應該怎樣去自學呢？

Metacademy2 是一個進行自學的很好的工具，目前主要提供機器學習和人工智能方面的知識。自學最令人興奮的地方就是你可以對所有的知識去追根溯源，建立知識樹。Metacademy就是在這樣一種理念下建立起來的一個網站。通過知識樹的方式可以讓你對知識一步一步的深入學習。

Ph.D.也許是學習階段中唯一的需要自己管理自己學習的階段，你需要去比周圍的人學習更多的知識，包括你的導師。我剛結束了我的博士旅程（研究方向為機器學習），因此我不得不去自己去收集這些方面的資料。然而博士一個自我驅動學習的很好的鍛煉，大多都會寫下來他們需要學習什么東西。這個網站上的學習樹就是基于我的學習經歷的一個參考。

Here are a few things this roadmap does not cover:

• Humanities, social sciences, and foreign languages. While there’s value to being cultured and well-read, I don’t have any particular advice in this area. Most of what I say is oriented towards STEM subjects, and maybe some related areas such as cognitive science. If your goal is to be generally well-read, you might want to check out How to Read a Book.

• Unschooling. Managing your own education in its entirety is a tall order, but some people manage to do it. I admire the initiative they have taken, and hope that Metacademy can contribute to making it possible. But I went through a traditional education, so I have no advice to offer here either. This roadmap is oriented towards people who have something specific they want to learn.

• Test prep. If you need to take the MCATs next week, there are lots of other resources out there. I’m assuming here that you have a real desire to learn something — either for its own sake, or because you need it for some other end.

In short, this roadmap is really about how to learn specific technical topics that you’re interested in. I’ll highlight various strategies I’ve used, as well as resources that I’ve found useful.

Let me insert the major caveat that there aren’t any recipes for learning on your own. Different people have different learning styles, and what worked for me might not work for you. Ultimately, you will need to experiment to figure out how you learn.

學習資料

對于資料來源你有很多的選擇：

• 最常用：練習冊。找到一本好的練習冊是非常重要的。一種簡單可行的策略就是去查詢頂尖大學相關課程的網站，看看他們推薦的是哪些課本。MIT OpenCourseware1就是一個牛吊的網站，收集了很多的相關課程的參考資料。比如AI方向的話，MIRI已經整理了一個列表list1.
• 課堂資料。很多課程的資料是在網上公開的，尤其是MIT OpenCourseware1里面的課程。好的方面是這個資料比課本更加的簡明扼要。但是另外一個不好的方面則是他們缺乏打磨潤色，尤其是那些只是用來給學生布置作業的notes。
• 研究論文。對于更高一級的topics，可就不是課本或者是MOOCs可以解決的了，你應該轉向學術論文了。
• MOOC****。盡管MOOCs在大肆宣傳顛覆傳統教育，但是我把它們看做是videos形式的練習冊。他們與眾不同的原因在于，不像是練習冊，他們是完全免費的，這使得你很容易就可以融入其中：這個網站看點視頻，那么網站看點視頻。（so easy）其實你仔細想想，這其實是件很不可思議的事情，通過這份報告（report），每一個MOOCs課程大概會花費30K到300K刀之間。當然現在很多大學也在考慮要收費了。So enjoy the last time!

提示：

• 除非你正在進行一個特定方向的研究，那么你不會去想著要讀一些很前沿性的文章。這些topics很不是特別好理解，大部分的文章并沒有刻意去寫得讓人好理解。（哈哈哈，高端黑啊！！！）
• 了解一個領域的簡單方法就是搜索高引用率的文章。雖然應用計算存在很多的缺陷，但是他們至少在一定程度上反映了問題。總體上來說，高引用率的文章要比一般的文章更具有可讀性。
• 在一些領域，有些雜志會發表一些review的文章，比如Trends in Cognitive Sciences, or Foundations and Trends in Machine Learning。這些文章介于課本和研究論文之間，是了解過去一段時間某一個研究方向動態的很好的方式。
• 加入你不是在學校，找文章最好的方式就是用google學術了Google Scholar。很多時候，作者都是在他的個人網站上貼出他的文章。

A good general piece of advice is to consult multiple resources. Different textbooks or courses will explain something from a different perspective, and often when reading one you get an “aha!” moment for something which didn’t make sense in the other. Unfortunately, this option might not be practical unless you have access to a university library.