本文主要向大家介绍了机器学习入门之适合各类人群的机器学习教程，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

近年来人们对机器学习的认识也越来越多，很多人都希望学习相关的知识。但机器学习不是一个容易学习的领域，需要选择适合自己难度的学习资料。这里简单地将学习深度分为三个阶段，建议选择适合自己的难度。三个阶段为：

初级：了解：机器学习是什么？了解机器学习的应用，并对机器学习有较为概念性的了解。适合非机器学习相关专业、希望对机器学习有大概了解的人群，比如产品经理。

中级：应用：怎么实现机器学习？能使用编程语言编写基础的机器学习算法，并对数学原理有初步理解。适合与机器学习相关，但是数理知识不足、或者只需掌握大概原理的人群，比如程序员。

高级：学术：机器学习算法的原理。不止于掌握机器学习算法的原理、编写机器学习算法。适合相关专业的在校生，比如 计算机系本科生、研究生。

初级：了解

先修知识

首先，英语能力非常重要，你需要起码有高中的英语水平，并且敢于应对英文资料，又不是不能学，又不是学不会。英语的重要性不用多说，就机器学习而言，2011年便开始流行起来，但是目前很多机器学习领域重要的书籍还没有中文翻译。网络上优秀的机器学习资源基本基于英语教学。但是对于英语真的不用怕，一遍看不会可以看多一遍，不认识的单词查词典就是。不用闭卷考试，随时都可以查词典。

能用 Python 编写简单的程序，相当于学习完 Codecademy 的 Python 教程，预计耗时13小时。或《笨方法学 Python》前40章，耗时也不会很大。英文原版：Learn Python the Hard Way

非常基础的矩阵知识：可汗学院的课程，从矩阵简介学到矩阵乘法（二），大约耗时1小时。

选修资料： Command Line，这个就是电影里面那些（可能是）酷酷的人操作电脑的方式，把教程过一遍就可以。

学习资料

从机器学习谈起

非常不错的介绍。

Machine Learning Foundations: A Case Study Approach

University of Washington 的课程，两位教授的头衔是 Amazon Professor of Machine Learning。课程教学结构合理，每周课程分为概念、方法介绍和实际应用两个部分，学完基本的的概念和方法、就可以马上应用课程准备好的机器学习库体验一番。对于初学者来说非常有益。

中级：应用

先修知识

英语比之前有长进。

学习资料

A 线路Machine Learning

这门课程由由百度首席科学家，前 Google Brain 负责人之一 Andrew Ng（吴恩达）教授，不会涉及很深的数学，学习这门课程需要有高中知识预备。课程有中文字幕。

B 线路Machine Learning Specialization 机器学习专项课程

如果你是从初级：了解学习到此，可以尝试本系列课程。初级：了解里面的 Machine Learning Foundations: A Case Study Approach 就是本系列的第一门课程，是整个系列课程总概，从第二门课程开始，你将要自己编写机器学习算法。不过课程有着非常详细的教程引导，认真学习肯定可以通过课程，内容上会比A 线路的详细。

选修资料

书籍：Programming Collective Intelligence 集体智慧编程

听说是一本不错的书，很多人推荐。

高级：学术

要求

数学要求

复习：

线性代数 Linear Algebra Review and Reference 

概率论 Probability Theory Review 

有不会的可以去 MIT OCW 补课。

编程要求

具体课程具体要求不同。通常使用的是 MATLAB 或 Octave，Octave 是一款 和 MATLAB 类似的变成语言，但 Octave 免费开源。教程：MATLAB, Octave. 当然也有些课程使用 Python。另外一般需要有对算法的基本认识，可以学习王子屯私塾的算法课程: Algorithms, Part I，Algorithms, Part II 或者直接看教材 Algorithms，也可以学习 MIT 的 《算法导论》。

学习资料

A 线路Learning From Data - Caltech

加州理工学院原版课程，没有因为要适应大众降低难度，不可多得的机器学习入门课程。教授为这门课程建立了一个网站，上面有关于课程的各种资料，还有讨论论坛，学习环境也不可多得。

B 线路Machine Learning - Stanford

Andrew Ng 早些年在 Stanford 授课的录像，也是校园原版课程。

Neural Networks for Machine Learning - Toronto

学习完上面其中一门，可以考虑学习神经网络，由深度学习的开山鼻祖 Geoffrey Hinton 教授。

其它

学习建议

学习氛围对于学习来说非常的重要。有无一个班级、小组一起学习，最后收获的差别可能会非常的大。在学校的学生他们有小组讨论，做小组 project 等等学习活动，在这些过程中，毫无疑问收获是非常大的。所以建议即使是自学，也尽量加入一个学习小组一起学习，大家都一起学习交流，收获定会更大。

寻找学习资料的技巧

现在大学很多课程都有自己的课程网站，提供学习资料给学生下载，比如作业、习题、lecture notes 等，可以尝试去这些课程网站找找学习资料。比如 Stanford 的 Machine Learning 网站，打开Handouts and Materials, 各种资料应有尽有。

其它相关领域的课程

Natural Language Processing 自然语言处理

Recommender Systems 推荐系统

Data Science 数据科学

貌似由于数据科学是新出现的学科，现在还没有什么好的课程。这个系列的课程由 Columbia 21名教授参与制作，我想应该不会差。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！