如何自学机器学习Machine Learning？

如何自学机器学习Machine Learning？

本文总结2023年最适合的机器学习/人工智能学习路线及其资源，全文干货建议先点赞、收藏、关注三连后慢慢食用。

本文涵盖数学课程、机器学习算法、深度学习算法、开发框架练手项目，全文5000多字总结，原创不易，如果对您有所帮助，不要吝啬点赞、收藏、关注

机器学习

在讨论学习路线图之前，需要先了解机器学习及人工智能所需要的知识体系及能力，如果想要从事深度学习必须具备一下几个技能：

• 数学基础技能
  
• 编程技能
  
• 数据工程能力
  
• 机器学习基础算法
  
• 深度学习算法
  
• 开发框架及练手项目
  

数学基础技能

深度学习的第一步或技能是 数学技能。它可以帮助您了解深度学习和机器学习算法的工作原理。当你尝试着去理解一个像机器学习（ML）一样的交叉学科的时候，主要问题是理解这些技术所需要的数学知识的量以及必要的水平。这个问题的答案是多维的，也会因个人的水平和兴趣而不同。
当然并不是要求每个人都必须在理解全部数据知识之后才能着手进行机器学习、人工智能的工作，但是从业者一定要对数学知识有所了解，以便遇到实际数学问题可以从问题切入下手，以下数学知识应该有所了解：

• 线性代数
  
• 概率与统计
  
• 微积分
  
• 凸优化
  

img

线性代数

线性代数是 21 世纪的数学。在机器学习领域，线性代数无处不在。主成分分析（PCA）、奇异值分解（SVD）、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数（Norms），这些都是理解机器学习中所使用的优化方法所需要的。

• 麻省理工公开课：线性代数
  

由 MIT Courseware 提供的线性代数课程（Gilbert Strang 教授的讲授的课程），备受广大学生的喜欢，精品中的精品，首推、强推。

• 线性代数的本质 – 01 – 向量究竟是什么？
  

3Blue1Brown出品的这个线性代数的本质系列视频就是开胃菜，总共14个小视频，视频控制在9-18分钟之间，很适合短时间快速温习

• 可汗学院公开课：线性代数
  
• 交互式线性代数学习
  

概率论与统计学

机器学习需要的一些概率和统计理论分别是：组合、概率规则和公理、贝叶斯定理、随机变量、方差和期望、条件和联合分布、标准分布（伯努利、二项式、多项式、均匀和高斯）、 矩母函数 （Moment Generating Functions）、最大似然估计（MLE）、先验和后验、最大后验估计（MAP）和抽样方法。

• Introduction to Statistics: Descriptive Statistics
  
• Probabilistic Systems Analysis and Applied Probability
  

微积分

当确立好一个算法模型之后，问题的最终求解往往都会涉及到优化问题。在探寻数据空间极值的过程中，如果没有微分理论和计算方法作为支撑，任何漂亮的模型都无法落地。当然如果不具备基础的微积分知识，在理解机器学习算法的优化上同样困难，
因此，夯实多元微分的基本概念，掌握最优化的实现方法，是通向最终解决方案的必经之路。

• Essence of calculus: 以动画的方式让你理解微积分，非常适合入门
  

凸优化

机器学习中广泛使用的凸优化方法主要分为梯度下降法和拟牛顿法，学习凸优化在机器学习中具有重要的地位，能够帮助我们更有效地训练模型、提高模型的性能，并且提供了坚实的数学基础和工具，用于解决各种优化问题

• 凸优化
  
• 最优化方法1: 介绍 （2022重录）_哔哩哔哩_bilibili
  

编程技能

Python 是迄今为止最流行、最好的机器学习语言，超过 60% 的机器学习开发人员使用并优先使用它进行开发。 Python 如此有吸引力有几个关键方面。 一方面，它很容易学习，这对于那些想要开始机器学习的人来说至关重要。 它还具有可扩展性和开源性。入门机器学习需要学习一门编程语言，这门编程语言主推python，如果有编程学习经验的同学可以自行学习，这里仅简单推荐几门课程。

• Python 编程简介
  
• Python 教程
  
• Python 3 教程
  
• Python 数据科学
  

特征工程能力

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程很少在机器学习相关的书中阐述，包括很多网络课程当中，这个需要很多实际经验才能得出处理数据的知识。这里推荐几本特征工程的图书，可以自行阅读

• Bad Data Handbook: Cleaning Up The Data So You Can Get Back to Work，这本书是 19 位机器学习从业者的论文与资料集，汇总了关于数据准备和管理的实用知识与技巧。
  
• Data Wrangling with Python: Tips and Tools to Make Your Life Easier，这本书的重点是帮助我们将原始数据转化为适用于建模的数据形式的工具和方法。
  
• A Short Guide for Feature Engineering and Feature Selection（撰写的特征工程和选择：预测模型的实用方法）。这本书描述了为建模准备原始数据作为特征工程的一般过程。
  
• Feature Engineering for Machine Learning（机器学习中的特征工程）。
  

机器学习基础算法

按照机器学习算法分类可以将机器学习划分为：

• 监督学习
  
• 非监督学习
  
• 半监督学习
  

监督学习

监督学习是指在给定的训练集中“学习”出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出，即特征值和目标值（标签），训练集中数据的目标值（标签）是由人工事先进行标注的，下面给出监督学习算法的发展时间线。




图4：监督学习算法发展史

非监督学习

非监督学习是指在机器学习过程中，用来训练机器的数据是没有标签的，机器只能依靠自己不断探索，对知识进行归纳和总结，尝试发现数据中的内在规律和特征，从而对训练数据打标签。常见的非监督学习算法主要有三种：聚类、降维和关联。

算法名称	类型	特点	应用
K-means	基于划分方法的聚类	将数据分为K组，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心	客户分析与分类、图形分割
Birch	基于层次的聚类	通过扫描数据库，建立一个聚类特征树，对聚类特征树的叶节点进行聚类	图片检索、网页聚类
Dbscan	基于密度的聚类	将密度大的区域划分为族，在具有噪声的空间数据库中发现任意形状的簇，并将簇定义为密度相连的点的最大集合	社交网络聚类、电商用户聚类
Sting	基于网格的聚类	将空间区域划分为矩形单元，对于不同级别的分辨率，存在多个矩形单元，高层单元被划分为多个低层单元，计算和存储每个网格单元属性的统计信息	语音识别、字符识别
主成分分析(PCA)	线性降维	通过正交变换将一组可能存在相关性的变量数据转换为组线性不相关的变量，转换后的变量被称为主成分	数据挖掘、图像处理
线性判别分析(LDA)	线性降维	将高维空间中的数据投影到低维空间中，投影后各个类别的类内方差小，而类间均值差别大	人脸识别、舰艇识别
局部线性嵌入(LLE)	非线性降维	在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间，从而进行特征值的二次提取	图像识别、高维数据可视化
拉普拉斯映射(LE)	非线性降维	从局部近似的角度构建数据之间的关系，对要降维的数据构建图，图中的每个节点和距离它最近的K个节点建立边关系	故障检测

半监督学习

从不同的学习场景看，半监督学习算法可分为 4 大类：半监督分类、半监督回归、半监督聚类和半监督降维，如图6所示。
半监督分类算法的基本思想是在无标签样本的帮助下训练有标签样本，获得比单独使用有标签样本更好的分类器，弥补有标签样本不足的缺陷。
半监督回归算法的基本思想是在无输出的输入的帮助下训练有输出的输入，获得比只使用有输出的输入训练得到的回归器性能更好的回归器。
半监督聚类算法的基本思想是在有标签的样本信息的帮助下，获得比只使用无标签的样本更好的簇，提高聚类的精度。




半监督学习分类

为了更友好帮助新手学习机器学习算法，主要课程时是基于Machine Learning (Coursera, Andrew Ng) 的课程内容。

• 目录结构：
  
• 绪论
  
• 线性回归
  
• 逻辑回归
  
• 神经网络
  
• 打造实用的机器学习系统
  
• 支持向量机 SVM
  
• 聚类算法
  
• 数据降维
  
• 异常检测
  
• 推荐系统
  
• 大规模机器学习
  
• 应用案例照片文字识别
  
• 总结
  

也可以根据一些经典的课程项目进行练手，比如100天机器学习算法，还有一些经典课程推荐给大家：

• YouTube 上的机器学习斯坦福大学完整课程，作者：Andrew
  
• CS480/680 机器学习简介 - 2019 年春季 - 滑铁卢大学
  
• SYDE 522 – 机器智能（2018 年冬季，滑铁卢大学）
  
• 机器学习简介课程 - Udacity
  
• Hesham Asem - 阿拉伯语内容
  
• IBM ML with Python
  
• 从头开始机器学习 - YouTube（Python 工程师）
  
• 机器学习算法的实践
  
• 机器学习科学家
  
• 林轩田机器学习 强推！！
  

11.初学者机器学习 - 课程 超级清楚的入门级课程
深度学习

深度学习基础知识

• 深度学习基础知识
  
• 深度学习简介 - 麻省理工学院
  
• 深入研究深度学习（英文） | (Ar) 版本➡️第 1 部分和第 2 部分
  
• 深度学习加州大学伯克利分校
  
• 深入 DL 的 github
  
• 斯坦福讲座 - 用于视觉识别的卷积神经网络
  
• 滑铁卢大学 - ML / DL
  

如果想要实战深度学习建议参考这本书 https://zh.d2l.ai/， ⾯向希望了解深度学习，特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。
深度学习论文

如果你是深度学习领域的新手，你可能会遇到的第一个问题是“我应该从哪篇论文开始阅读？”下面是一个深入学习论文的阅读路线图！
这份深度学习论文阅读路线分为三大块：

• Deep Learning History and Basics
  
• Deep Learning Method
  
• Applications
  

深度学习论文Github




知乎知学堂AI大模型免费课程

当然如果想要理解今年最热最火的深度学习大模型知识的话，真心的建议你参加知学堂推出的《程序员的AI大模型进阶之旅》一共2天的课程，里面有业内技术大佬全面解读目前的机器学习技术以及应用，可以提升对于模型的认知和掌握，更快速的了解这门工具。更更更更重要的是，学习要跟对教程老师，这门课的老师来源于科研界和工业界大牛授课，帮助你展望AI未来发展趋势。
最重要的是这个课程是完全免费的，白嫖党的福利。不需要钱就可以和大牛对话，这种机会实属难得， 更能体验自主训练的机器学习模型，实践理论相结合。上面的链接就是公开课的链接！！另外，添加课程之后一定一定一定要添加助教小姐姐的微信，可以私聊助教领取今年最火最热的大模型学习资源！！
开发框架及项目练手

开发框架

PyTorch：




新手必备 | 史上最全的PyTorch学习资源汇总

PyTorch中文官方文档：<a href="http://link.zhihu.com/?target=https%3A//pytorch-cn.readthedocs.io/zh/latest/" class=" external" target="_blank" rel="nofollow noreferrer">https://pytorch-cn.readthedocs.io/zh/latest/。阅读上述英文文档比较困难的同学也不要紧，我们为大家准备了比较官方的PyTorch中文文档，文档非常详细的介绍了各个函数，可作为一份PyTorch的速查宝典。
这是一个比较偏算法实战的PyTorch代码教程，在github上有很高的star，https://github.com/yunjey/pytorch-tutorial。建议大家在阅读本文档之前，先学习上述两个PyTorch基础教程。
首推的是B站中近期点击率非常高的一个PyTorch视频教程：https://www.bilibili.com/video/av31914351/，虽然视频内容只有八集，但讲的深入浅出，十分精彩。只是没有中文字幕，小伙伴们是该练习一下英文了...

• PyTorch（加州大学伯克利分校 - Youtube）- Lec3（5 个部分）
  
• PyTorch - 数据科学博士 - Youtube
  
• Pytorch 教程 - Aladdin - Youtube
  
• PyTorch 课程 (2022) - Youtube
  
• 使用 Pytorch 进行深度学习
  
• 使用 PyTorch 和 Scikit-Learn 进行机器学习 -2022
  

TensorFlow：

• TensorFlow-Course：GitHub 13300+ Star
  

• TensorFlow-Tutorials GitHub 7600+ Star
  

这是 YouTube 视频的 TensorFlow 教程，非常生动有趣。有视频讲解，文字教程，还有代码供你学习和练习。

• tensorflow_cookbook：GitHub 5200 + Star这是一本 TensorFlow 英文书的代码，你在网上可以搜到这本书来看看，也可以在这直接使用这些代码进行学习。一共十一章，讲解十分详细
  

• tensorflow2_tutorials_chinese：GitHub 2900+ Star
  

中文课程，详解讲解了tensorflow的使用教程。




tensorflow 2.0 教程

项目

• Deena Gergis - 端到端项目
  
• 机器学习项目 - Youtube
  
• 适合初学者的十大数据科学项目
  
• 适合初学者和专家的 12 个数据科学项目
  
• 数据科学项目和想法
  
• 2023 年 310 多个顶级机器学习项目
  
• 10 个端到端指导数据科学项目
  
• 使用 Scikit Learn 的真实世界 ML 教程
  
• 使用 Docker、Github 操作和部署的端到端 ML 项目
  
• 数据科学中的 Python 代码
  
• 12个免费的数据科学项目来练习Python和Pandas（在线解析互动）
  

<hr/>嗨，我是大K，@TopGeeky一个专注于前沿互联网科技的伪全能开发者，致力于分享有趣的计算机领域、人工智能领域的相关知识、教程、学习路线；如果你也是计算机领域的小伙伴，欢迎关注、私信领取计算机领域学习资源哦～

1. 技能准备

刚开始接触机器学习，需要做一些必要的技能储备，过三关：英语、编程与数学。首先，英语需要具备阅读与听力能力。当前主流的书籍、期刊等资料大多是英文为主，我们无法避免地要看很多英文资料。
其次，关于编程语言，首推 Python，因为其良好的拓展支持性，主流的工具包都有 Python 版本。在特定情况下，选择 R 作为编程语言也是可以的。编程语言学习推荐：

• Programming for Everybody: Python
  
• Learn R with R tutorials and coding challenges: R 最后，数学包括微积分、线性代数与统计学，可通过教育性非营利组织「可汗学院」学习。数学建议先搞定线性代数，推荐以下课程：
  
• 斯特朗教授的课程由浅入深，环环相扣：完整版-麻省理工-线性代数-全 34 讲+配套教材
  
• 配合斯特朗教授的其他课程学习，效果事半功倍：MIT《数据分析、信号处理和机器学习中的矩阵方法》课程
  

统计学习是机器学习的基石，推荐以下课程：

• Stanford : Statistical Learning 斯坦福大学：统计学习
  

2. 入门学习

刚迈入机器学习的大门，需要有适合的学习途径：视频、书籍与动手。机器学习视频入门首选：

• Machine Learning by Andrew Ng 吴恩达老师的这门课可以加快学习进度，但不要跳过练习题，练习题非常有价值，虽然并非用 Python 写的 (而是 Matlab/Octave)。如果你不想学 Matlab，那么最好找点别的用 Python 习题练练手。当然，以下课程也非常不错：
  
• 李宏毅 2021/2022 春-机器学习课程 在学习视频时，推荐阅读两本非常好的入门书籍：
  
• Python 机器学习 (作者 Sebastian Raschka)：阅读本书可以快速对如何使用 Python 机器学习框架 Sklearn 有一个基本的了解，可以很快上手开始工作；
  
• An Introduction to Statistical Learning with R (ISL)：ISL 是 The Element of Statistical Learning (ESL) 的入门版，不仅大量去除了繁复的数学推导，还加入了 R 编程的部分，方便大家可以尽快上手。
  

入门书籍推荐还强推：

• 周志华老师的《机器学习》：人称西瓜书，是经典入门教材之一，是一本大而全的书！内容中有用到西瓜举例子。建议和《南瓜书》一起看；
  
• 李航老师的《统计学习方法》：这本书对机器学习原理的解释、公式的推导非常详尽，相信看完这本书，不会再说机器学习是玄学了。建议配合「白板推导系列」学习。
  

学习理论后，做一些基于 Python 的动手练习：

• Python 教程-廖雪峰的官方网站：教程质量很好，没有必要全看完，大概了解 Python 的基础语法即可，这步是为下面的练习做准备；
  
• 《机器学习实战》(作者 Peter Harrington)：这本书基于 Python 对一些主要的机器学习算法进行了代码实现。一定要照着敲一遍。
  

3. 进阶提升

实战热身：

• 《利用 Python 进行数据分析》(作者 Wes McKinney)：numpy 与 pandas 是 Python 进行处理数据的两个关键库，这本书讲解了这两个库的使用方法；
  
• scikit-learn: machine learning in Python 是 Python 上最流行的机器学习/数据科学工具包。比较推荐的方法是把主流机器学习模型 Sklearn 中的例子都看一遍。Sklearn 的文档不仅提供了练习数据、sklearn 的相关代码实例，还提供了可视化图；
  
• 机器学习实战：基于 Scikit-Learn 和 TensorFlow：为数不多的把理论和实践相结合的比较棒的书，尤其是代码部分！ 实战平台：
  
• kaggle：Your Home for Data Science；
  
• 推荐一篇不错的文章：Kaggle 入门，看这一篇就够了；
  
• 如果是新手，建议把 Titanic 项目玩一次：Titanic-Machine Learning from Disaster；
  
• 阿里云天池：天池大数据众智平台-数据科学家社区。
  

4. 深度学习

深度学习推荐以下视频课程：

• 李宏毅：深度学习 (2017)
  
• 吴恩达：深度学习课程，网易云课堂上线了这门课的中文版。 深度学习的几个大应用，自然语言处理、自然语言理解、深度视觉算法：
  
• 自然语言处理：2019 最新斯坦福大学 CS224n 深度学习自然语言处理课程
  
• 斯坦福大学 CS224U：自然语言理解 2019 最新课程
  
• 斯坦福 CS231n 《深度视觉识别》课程 (2017)
  
• 中科院宗成庆：自然语言处理公开课 (64 集)
  

深度学习的书籍推荐两本，一本理论性强的，一本实践性强的：

• Deep Learning：由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位大牛合著的非常权威的一本书，也是后来出版的深度学习书籍的参考；
  
• 《动手学深度学习》：深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。
  

更多深度学习的干货：

• 机器学习 (Machine Learning) 与深度学习 (Deep Learning) 资料汇总
  

5. 学习建议

自学机器学习的误区和陷阱：

• 不要试图掌握所有的相关数学知识再开始学习机器；
  
• 不要把深度学习作为入门第一课；
  
• 不要收集过多的资料，要分辨资料的时效性。
  

将技能落在实处，防止练就一身屠龙之技。机器学习最大的幻觉就是觉得自己什么都懂了，但等到真的使用时发现并不奏效。如果此刻燃起了学习机器学习的热情，就请赶快行动！
详细内容参见连享会推文

• 专题：机器学习
  
  
  
  • 知乎热议：如何学习机器学习
    
  
  

相关推文

Note：产生如下推文列表的 Stata 命令为：
. lianxh 机器学习  . songbl 机器学习
安装最新版 lianxh/ songbl 命令：
. ssc install lianxh, replace
. ssc install songbl, replace

• 专题：专题课程
  
  
  
  • ⚽助教招聘：文本分析-爬虫-机器学习
    
  • ⏩ 专题课：文本分析-爬虫-机器学习-2022年4月
    
  
  
• 专题：论文写作
  
  
  
  • Semantic scholar：一款基于机器学习的学术搜索引擎
    
  
  

• 专题：Stata教程
  
  
  
  • Stata-Python交互-7：在Stata中实现机器学习-支持向量机
    
  
  
• 专题：Python-R-Matlab
  
  
  
  • MLRtime：如何在 Stata 调用 R 的机器学习包？
    
  
  

• 专题：其它
  
  
  
  • 知乎热议：机器学习在经济学的应用前景
    
  
  
• 专题：机器学习
  
  
  
  • 知乎热议：如何学习机器学习
    
  • 机器学习在经济学领域的应用前景
    
  • 机器学习如何用？金融+能源经济学文献综述
    
  • 知乎热议：纠结-计量经济、时间序列和机器学习
    
  • 机器学习：随机森林算法的Stata实现
    
  • Stata：机器学习分类器大全
    
  
  

深度学习是机器学习最热门的一个子集，是值得学习的，包括
① 卷积神经网络
卷积神经网络，就是以“卷积层”作为主干部分的神经网络，能够实现局部特征提取，以及局部特征的非线性组合（https://ieeexplore.ieee.org/document/726791）。



卷积神经网络

② 深度残差网络
残差网络是在卷积神经网络中添加了跨层恒等连接，缓解训练难度（https://arxiv.org/abs/1512.03385）。



深度残差网络

③ 深度残差收缩网络
如果数据中噪声较强，可以考虑深度残差收缩网络。深度残差收缩网络在其内部包含了软阈值化，能够自适应地消除冗余噪声信息（https://ieeexplore.ieee.org/document/8850096）[1][2]。



（面向强噪、高冗余数据的）深度残差收缩网络

给你推荐一个阿里云的免费课程，可以先试试看，阿里云机器学习PAI平台，图形化可拖拽式操作：

• 100余种算法组件，覆盖回归、分类、聚类、文本分析等算法
  
• 支持业内主流深度学习框架以及GPU分布式计算
  
• 通过拖拉拽的方式拖动算法组件拼接实现业务逻辑
  
• 提供完整的数据挖掘链路，做到一站式体验
  

机器学习入门：概念原理及常用算法
机器学习入门：常见算法
机器学习实战

本人从机械专业转行机器学习（主攻图像识别方向）有一段时间了，可以和题主分享一下自己的经验。目前人工智能大火，各行各业嗅觉敏锐的人都在思考自己的专业领域如何往人工智能方向靠，而CS专业毕业生人数实在有限导致这方面人才紧缺，很多朋友就开始自学ML，我认为不论是从自我技能的提升，还是职业发展的角度来看，这都是一件很有前途的事。相信题主已经看到了这一历史的进程，只差更有效率的自我奋斗了！我在这方面也许可以帮题主一把。
首先要有一个比较强劲和持久的学习机器学习的动力，而不仅仅是一时兴趣，最好能和自己目前的工作领域结合起来，一来可以马上将机器学习的方法用在现实工作中，成就感满满；二来如果做的不错的话很可能得到公司的支持，甚至独立带领一个团队进行这方面的探索。所以有目的的学习往往能取得更好的效果。
其次来说说具体的入门方案，这是我个人的经验，不一定每个人都适用，仅供参考：

• 首推Coursera创始人Andrew Ng机器学习入门神课“Machine Learning”https://www.coursera.org/learn/machine-learning（需要基本Matlab编程知识）本课程能让新手对机器学习的主要内容和发展方向有一个整体的认识，对主要概念的解释也很清楚，亮点在于Intuition（直觉）的解释方法对新手入门帮助很大，省略了很多数学推导。我用了4个月完成这门课的学习并取得证书。
  
• 斯坦福大学CS专业的研究生课程，包括CS229 Machine Learninghttp://cs229.stanford.edu/和CS231n Convolutional Neural Networks for Visual Recognitionhttp://cs231n.stanford.edu/，CS229的视频看不下去的话可以吧Lecture Notes扫一遍，作业看一遍，需要有高数、线性代数、矩阵论、概率统计的基本知识。强烈推荐cs231n的视频以及作业，保证你对图像识别的认识达到专家级的高度，作业完成后你能独立用Python编写knn,SVM,softmax,Neural Networks等主流图像识别算法以及各种调参，抑制过拟合，降维等高阶风骚操作。
  
• 完成了1和2可以说你基本入门机器学习了，这其中可能还需要学习一些工具类的知识，比如Coursera里的Python专业课程https://www.coursera.org/learn/python/home/info 挺不错。另外根据需要买一些参考书，比如周志华的“机器学习”，各种机器学习框架TensorFlow、caffe等的实战书。
  
• 最后多多参加实际项目提高自己的应用能力，网上有很多提供机器学习研究的项目，免费给你提供数据的，可以找到感兴趣的方向和朋友一起研究。比如kagglehttps://www.kaggle.com/， Coursera的Data Science社区https://www.coursera.org/learn/data-science-community/discussions 都经常会提供各类项目供大家研究。
  

除了Coursera这个全球性的针对Data Science的在线学习平台，如果你英语不是很好的话，还可以看看K神 @Kaiser创建的国内人工智能学习平台：集智https://jizhi.im/。网站专门针对国内用户，寓教于乐，形式多样，课程比Coursera要便宜而且质量也不错，还会经常举办线下研讨会。
最后，本人的研究方向主要是卫星遥感图像的智能识别，欢迎感兴趣的朋友和我交流~
补充：因为对自然语言处理不太了解，所以上面也没涉及这方面的入门介绍，欢迎大神补充。另外最近Andrew开了门新课Deep Learning，看了一眼算是Machine Learning的进阶版，两者一起食用味道更佳。