設定一個非常清晰的目標
清晰的目標就比如說你要做NLP，你要知道NLP的應用有智能問答，機器翻譯，搜索引擎等等。然後如果你要做智能問答你要知道現在最發達的技術是深度學習，使用的算法有RNN/LSTM/Seq2Seq/等等一系列。而我的清晰目標是在實習的時候給我的任務。當任務很明確的時候，所需要的語言就明確了，所要學習的算法也就明確了，很多東西就順理成章了不用一頭亂撞了。
機器學習是人工智能的一種，深度學習是機器學習的一種。學AI先學機器學習。
理論知識對於AI算法工程師極其重要。敲代碼只是思路的一個實現過程。這裏的“算法”和計算機CS的“算法”還不太一樣，AI算法是偏數學推導的，所以數學底子還是需要點的，學的越深，要求越高。面試的時候，很少讓手寫代碼，90%都是在問模型摳算法細節。
按照數據集有沒有Y值可以將機器學習分爲監督學習、半監督學習和無監督學習。監督學習是分類算法，無監督學習是聚類算法。
機器學習如何入門
機器學習的三大塊：傳統的機器學習ML、圖像處理CV、自然語言處理NLP
首先推薦一個入門神器：
ML入門該參加的賽題（Titanic）
圖像入門該參加的賽題（數字識別）
NLP入門該參加的賽題（情感分析、quora問句語義匹配）
自學如何尋找學習資料？
1、Kaggle（www.kaggle.com）
這是一個世界級的最權威的機器學習比賽，已被谷歌收購。賽題覆蓋傳統機器學習、nlp、圖像處理等，而且都是很實際的問題，來自各行各業。kaggle是數一數二完善的ML社區了，賽題開放的數據集就很有用，非常適合新手練手。對優秀的kaggler也提供工作機會。
上面的賽題不僅很有代表性，還有很多免費的優秀的數據集供你使用，要知道收集數據是機器學習的第一大難題，它就幫你解決了。入門不用立馬參加比賽，把數據下載下來，盡情折騰就好了，要是沒有思路，去網上搜別人的解題筆記和代碼借鑑一下也很美好~因爲這是大家都爭相打榜的比賽，所以你並不孤單。
2、github（www.github.com）
3、StackOverFlow（www.stackoverflow.com）
代碼報錯找它，代碼不會敲找它！所有與代碼相關的坑，基本都有人踩過啦
4、csdn（www.csdn.net）
最接地氣的博客聚集地，最常看的網頁之一，一般用來搜索細節知識點或者代碼報錯時
5、sklearn（scikit-learn.org/stable）
專業做機器學習100年！各算法各技巧的例子code應有盡有
6、medium（medium.com）
創辦人是Twitter的創始人，推崇優質內容，國內很多AI公衆大號的搬運都來自於這裏，medium裏每個作者都有自己獨特的見解，值得學習和開拓眼界，需要科學上網
7、towards data science（towardsdatascience.com）
與medium很像，需要科學上網
8、google AI blog（ai.googleblog.com）
谷歌的AI團隊維護的博客，每天至少更新一篇技術博客。剛在上海開的谷歌開發者大會宣佈將會免費開放機器學習課程，值得關注一下，畢竟是AI巨頭
有口碑的AI公開課平臺
-
coursera（www.coursera.org/browse）
-
吳恩達(Andrew Ng)機器學習
-
專注於深度學習。Fast.ai的創始人就蠻有意思的，是橫掃kaggle圖像處理的高手，不擺架子，也不故弄玄虛。中心思想就是深度學習很簡單，不要怕。fast.ai有博客和社區。Jeremy和Rachel鼓勵撰寫博客，構建項目，在會議中進行討論等活動，以實力來代替傳統證書的證明作用。
-
udacity（in.udacity.com）
有中文版，課程覆蓋編程基礎，機器學習，深度學習等。
-
網易雲課堂
實用的小技巧
瀏覽器首推 chrome
搜索問題一定用google，如果沒解決是你的問題不是google的鍋