高中生机器学习与人工智能入门指南

高中生机器学习与人工智能入门指南

在这篇文章中，我所总结的所有信息普遍适用于那些对这个领域有兴趣的高中生。文章的编排是按照时间顺序进行，这与其他入门指南的内容安排有所不同，高中生不需要理解线性代数，偏导数及其他复杂的数学概念，而只需要按照我们的安排一步步学习。考虑到高中生的学习能力及时间安排，这种学习方式对绝大多数的高中生都非常适用，我相信你可以在三个月内达到相当高的专业水平。下面让我们开始吧！

1. 学习Python，并用于算法编程。在此，我强烈建议初学

者学习Python。Python不仅非常容易适合初学者掌握，而

且它几乎支持机器学习中所有的依赖库。虽然R语言很有用，但一般说来Python更适合高中生学习。除了基本编程外，

对于机器学习来说，最有用的库包括Numpy，Pandas和Matplotlib。对于那些没有编程基础的同学，我建议学习多伦多大学(现在是ML / AI最好的大学之一)开设一门编程课程。虽然这需要几周的学习时间，但是通过本课程你可以获得的大部分编程所需的知识。不仅如此，该课程对所有人都是免费的，你可以在

https:///learn/learn-to-program?siteID=S AyYsTvLiGQrs4V8qoewjp3oL7Nr.r_Fw&utm_content=10& utm_medium=partners&utm_source=linkshare&utm_camp

aign=SAyYsTvLiGQ#获取课程相关的信息。对于那些拥有Python语言编程经验的人，你只需浏览本教程的语法https:///python/python_basic_synta x.htm，这对你来说不需要花费太多的时间。在了解Python 的基础知识后，你还需要了解我上面提到的前两个库(Matplotlib可以晚点)。Numpy和Pandas可以用于修改和使用数据，而Matplotlib则用于图表和数据的可视化。你可以通过以后链接来学习Numpy和Pandas库，这不会花费

你太多的时间：Numpy：

http://cs231n.github.io/python-numpy-tutorial/Pandas：https:///pandas-docs/stable/10min.html

有了Python的编程基础，现在你可以开始学习机器学习和

人工智能所需的核心编程。2. 深入了解机器学习的基础知识。Andrew Ng的机器学习(Machine Learning)课程是一门最通用的机器学习课程。由于课程中涉及到一些偏导数的概念(尽管整个课程的学习并不需要完全理解这些概念)，因此对于高中学生来说这门课程可能还有点难度。然而，我发现课程中第3至5周的一些讲座对高中生的入门学习还是有益的。我鼓励每个人都可以尝试着开始这个课程的学习并相应地做

一些笔记。尽管课程的学习不需要太难的数学知识及相关的Matlab编程能力，但这对于高中生来说仍然还是难以掌握。不用担心，我们将在短时间内用Python复现其中相同(或更

先进)的算法。免费课程链接：

https:///learn/machine-learning.3. 学习

各种机器学习算法，并理解如何在真实世界的场景中应用它们。理论上来说，高中生无法直接理解一些大学的数学知识及相关的机器学习算法。但是澳大利亚的一个研究团队解决了这个问题。来自SuperDataScience团队的Kirill Eremenko 和Hadelin dePonteves通过寻找在现实生活中场景来应用各种机器学习算法，这种学习的方法是非常有效的。此外，在应用中适当地深入理解算法的功能，而无需接触复杂高深的数学知识，这对于高中生学习机器学习算法来说，无疑是一大福利。他们的课程资源在Udemy上，你可以通过以下链接

https:///machinelearning/learn/v4/overvie w 获取课程的详细信息。虽然这门课程不是免费的，但Udemy上的课程定期都享受90％或以上的折扣，这门课的价格约为10美元。此外，这门课程的学习涵盖了Python和R语言，你只需通过Python来实现课程后的任务而无需涉及R语言。如果你发现课程的进度太慢，可以通过设置倍速播放来学习这个课程(我是这样做的，发现这样非常好用)。课程的内容涵盖了从基本的回归算法到深度卷积神经网络

的所有机器学习内容。如果你想进一步探索更先进的领域，其深度学习课程将在机器学习结束时提供，你将享受90％的

折扣。然而，深度学习课程中的一些新颖的概念可能有点先进，也无适当的说明文档，这可能对初学者来说不好理解。如果你不愿意学习这门付费的课程，那么还可以通过https:///course/deep-learning-ud730或密歇根大学推出的免费机器学习课程

/learn/python-machine-learning来开始

你的机器学习之旅。你还可以通过查看Google的免费深度学习课程来获得该领域的一些最前沿的知识。但是，这些与SuperDataScience团队的课程相差甚远。对于这些课程，笔记并不是必需的，因为网上有大量的“算法备忘单(algorithmcheat sheets)”资源，它们简便地记录了一些基本概念、编程知识及相关依赖库的使用方法，这能方便你在需要的时候快速的查阅。你可以通过这个链接

https:///blog/2017/02/top-28-che at-sheets-for-machine-learning-data-science-probability-sq l-big-data/ 获取一些备忘单的详细信息。4. 进一步探索机器学习的应用。到目前为止，你已经掌握了广泛的机器学习基本知识，并学到了大量的技能及编程知识。这些足以让你独立地去完成一些基础的项目。我建议去

Kaggle(https:///)或UCI机器学习库(/ml/datasets.html)，找到你所感兴趣的项目或数据集，运用机器学习算法对其进行初步建模，