2021.05.10更新：
评论区有挺多人质疑半年能否完成这么多内容，我的观点是半年时间足够完成前两个步骤的学习，完成前两个步骤后就可以去参加互联网公司算法岗位的面试了，对于代码能力不错，Leetcode easy题目熟练的同学，已经有很大可能性拿到一份实习Offer，步骤三在实习过程中持续进行，那么秋招的时候就能拿到正式Offer了。
推荐一下自己在数据科学道路上的学习笔记，终生更新，终生开源，喜欢的同学可以点个star，repo下载到本地，阅读效果更佳
zhangjx831/Data-Science-Notes
原答案：
不请自来答一波，半年前入坑机器学习，如今已经拿到某互联网大厂算法岗实习offer，给大家推荐一下我的学习路线。
机器学习主要分为传统的统计学习和深度学习两个部分。统计机器学习在上个世纪就一直在用，只不过当初不叫机器学习这个名字，深度学习从2012年起掀起了一波AI热潮。想要学习机器学习，将来找算法岗工作可以分为三步。
步骤一：打好数学和代码基础
相信大部分想学习机器学习的都是一些理工科的同学，包括数学、物理、计算机、自动化等，这些同学本科期间数学和代码功底比较扎实，这个步骤可以选择性略过。对于一些数理基础不是特别扎实的同学，比如生化环材还有一些商科文科的同学，想学习机器学习，还需要先复习（预习）一些数学和代码知识。我就属于后面这一部分同学，下面来讲讲我当时怎么做的。
数学基础主要就是微积分、线性代数、概率论与统计这三个部分。对于微积分来说，至少要掌握多元微积分的知识，会求偏导，求积分。线性代数对机器学习比较重要，需要懂一些矩阵运算法则，求矩阵特征值，求方程组，矩阵的逆等等。概率论与统计是重中之重，要了解一些基本分布，条件分布、联合分布等等。数学基础这个部分如果不太懂的话，可以在mooc上搜一些考研数学的复习视频，短平快的复习好这三大部分的知识点。对于线性代数部分的学期，可以参考麻省理工学院MIT的公开课，知乎上已经有人做了课程笔记，可以搜索一下。而概率论统计也可以在coursera上搜索相应课程，推荐一门statistic with python的课程，既复习了统计学基础，又练习了python代码能力。
https://www.coursera.org/specializations/statistics-with-python对于代码基础部分，刚开始做机器学习一般都从比较简单的python入手，很多的软件包都是基于python而写的。对于python的学习，推荐coursera上的另一门网课，python for everybody，讲解深入浅出。除此之外，最好懂一些常用包的使用，numpy，pandas和matplotlib，这三个分别是python中进行科学计算、数据处理和数据可视化的包，我的学习建议是多写代码多练习，找一个数据集，进行数据导入、预处理、探索性分析、可视化，这些操作来一遍，python就学了个大概了。如果还想进一步深入，可以了解一些python面向对象编程的原理，不过这部分内容在机器学习中用到的不多。
https://www.coursera.org/learn/python/home/welcome步骤一我建议对于基础好的同学可以略过，对于基础稍弱的同学在一个月之内，每天学习2-4个小时就能基本上掌握大概，后面碰到不懂的，再去对应学习即可。
步骤二：机器学习入门
打好了数学基础和基本的python基础后，我们就可以正式开始机器学习的学习了。这部分就不得不提机器学习领域最著名的网课和书籍了。网课那就是斯坦福大学Andrew Ng吴恩达在coursera上的免费网课machine learning了。
https://www.coursera.org/learn/machine-learning/home/welcome这个网课一定要看，老师讲的浅显易懂，对小白来说很友好，课后编程作业是用Matlab写的，如果不懂Matlab的同学也可以用python做，在GitHub上有很多人把自己用python实现的算法po了上去，可以找对应的GitHub repo去看。
看完网课之后，就可以找对应的书籍加深对于机器学习基础的理解。网课的内容覆盖有限，起到一个启蒙的作用，对相应内容了解大概之后，可以读一读李航老师的《统计学习方法》和周志华老师的《机器学习》，又称西瓜书。这两本书我更建议先看《统计学习方法》，这个讲解更浅显一些。在这个部分，可以主要看一下《统计学习方法》前8章基本的监督学习内容和第13-16章基本的无监督学习内容。之后有时间可以看看其他章节的拓展内容，比如马尔可夫模型、EM算法等等。对于西瓜书可以先看看前10章的内容，之后再了解后续内容。
学到这里，我们就对机器学习有一个基本的了解，但是这些都是理论知识，缺少实战经验，为了提高机器学习的实战能力，我推荐《机器学习实战》这本书，教你怎么样用python实现之前所说的那些算法，基本的回归、分类、聚类、降维在那里都有。
下面就是一些近期大火的深度学习内容的学习，深度学习由于是近几年才兴盛起来，书籍没有很多，主要通过网课和论文学习。这里我推荐吴恩达的深度学习专项课程。老师的讲解同样深入浅出，能够快速了解深度学习在近些年的发展，包括基本的神经网络模型、卷积神经网络、循环神经网络以及深度学习领域的一些trick。作业是用python完成的。如果你能听完课，做完作业，那么python水平会得到很大提高，并且会使用一些keras、tensorflow的框架构建深度学习模型。
https://www.coursera.org/specializations/deep-learning至此，第二步骤告一段落，如果能做完上面的步骤，你已经成为机器学习领域半个专家，这个时候已经可以去互联网公司面试了，运气好的话，就可以找到一份算法岗位的实习机会，继续精进机器学习算法知识。这个步骤大概用时4-6个月，每天2-4小时
步骤三：持续提高工程能力和机器学习领域知识
下面这一步，本人也是正在进行中，来和大家讲讲我的计划。如果要成为一个出色的算法工程师，那么就要做到持续学习。如今算法工程师不仅需要懂机器学习，更要是一个合格的软件工程师，代码能力非常重要，要会复现paper，上线模型。这个部分可以通过打比赛来提高。著名的比赛有两个，一个是国外的Kaggle网站，另一个是国内阿里的天池竞赛，通过参加比赛，提升自己的代码能力和对机器学习领域的理解。
https://www.kaggle.com/天池大数据众智平台-阿里云天池这里可以选一个自己喜欢的方向进行深入钻研，目前业界比较火的三个方向是广告推荐、自然语言处理NLP和计算机视觉CV方向。同时也有一些相对小众比如异常检测、风控等方向等待大家去挖掘。学习这些知识需要通过阅读最新业界的论文。AI领域的顶级会议包括AAAI, SIGKDD, IJCAI, AISTATS等等，阅读这些论文可以了解业界最新进展，启发思路。
另外在这个阶段，可以继续夯实基础，我推荐几本书。首先还是之前的《统计学习方法》和西瓜书，可以将剩下的章节阅读完。另外就是两本机器学习领域的圣经《Pattern Recognition and Machine Learning》和《Element of Statistic Learning》，这两本书是机器学习领域不可不读的经典著作。另外深度学习领域的圣经则称为花书，也是可以拜读的经典著作。
步骤三更多的是在实践与工作中学习，计算机领域是个需要终身学习的地方，算法岗更是如此，每年深度学习算法都会有大的突破，需要不断阅读新论文，提高自己，如果大家希望入行机器学习算法，可以按照上面步骤做，虽然如今算法岗内卷严重，但如果努力，还是能在强手如林的算法领域找到一席之地，与君共勉！
下面是上述提到的几本书链接，大家有兴趣可以从我的链接点进去购买，都是京东自营的，良心推荐
<a data-draft-node="block" data-draft-type="mcn-link-card" data-mcn-id="1365382978651115520"> |
