2024年开始机器学习 - 免费成为专家！
一份完整的指南，用于启动和改进机器学习（ML），人工智能（AI），在2024年，没有任何背景，并与最新新闻和最新技术有关！
本指南旨在用于编程，数学和机器学习方面的零或背景较小的任何人。没有特定的顺序可以遵循，但是从上到下都是经典的路径。如果您不喜欢阅读书籍，请跳过，如果您不想遵循在线课程，也可以跳过它。没有一种方法可以成为机器学习专家，并且有动力，您绝对可以实现它。
此处列出的所有资源都是免费的，除了一些在线课程和书籍外，这些资源肯定是为了更好地理解的，但绝对可以成为没有他们的专家，在线阅读，视频和练习上花费了更多时间。在支付课程方面，本指南中的链接是附属链接。如果您想遵循一门课程，请使用它们，因为它会支持我。谢谢，学习有趣的学习！请记住，这完全取决于您，而不是必需的。我觉得这对我很有用，也可能对他人有用。
不要害怕重复视频或从多个来源学习。重复是学习成功的关键！
维护者：LouisfB01，也在YouTube上活跃，如果您想查看/听到有关AI的更多信息，也可以作为播客！您也可以在我的个人新闻通讯中每周学习更多两次！订阅并获取AI新闻，并清楚地解释了更新！
请随时向我发送任何丰富的资源，以添加到此存储库中，请访问[email protected]
如果您共享列表，请在Twitter @Whats_AI或LinkedIn @Lououis Bouchard上标记我！
想知道该指南是关于什么的？观看此视频：
？如果您想支持我的工作，则可以检查以赞助此存储库。
目录
- 从简短的YouTube视频介绍开始
- 在YouTube上关注免费的在线课程
- 阅读文章
- 阅读书籍
- 没有ML的数学背景？检查一下！
- 没有编码背景，没有问题
- 关注在线课程
- 练习，练习和练习！
- 想构建语言模型/应用吗？检查一下！ （现在使用LLM！）
- 更多资源（社区，作弊表，新闻等等！）
- 如何找到机器学习工作
- 人工智能道德
从简短的YouTube视频介绍开始
从简短的YouTube视频介绍开始
这是我认为一无所有的最佳方法。在这里，我列出了一些我发现的最佳视频，这些视频将为您提供您所需的术语才能进入该领域所需的术语。
入门和继续学习的另一种简单方法是在业余时间收听播客。开车去上班，坐在公共汽车上，还是难以入睡？聆听一些AI播客，以适应术语和模式，并通过鼓舞人心的故事来了解该领域！我邀请您遵循我个人最喜欢的一些最好的，例如Lex Fridman，Machine Learning Street Talk，Lettent Space Podcast，显然是我的播客：Louis Bouchard Podcast，您将在那里了解到在野外有才华横溢的人的知识，他们的启发性故事分享了他们努力工作的知识。
在YouTube上关注免费的在线课程
在YouTube上关注免费的在线课程
这是YouTube上可用的令人敬畏的课程列表，您绝对应该遵循，并且是100％免费的。
机器学习简介 - YouTube播放列表（斯坦福）
深度学习简介 - YouTube播放列表（MIT）
深度学习专业 - YouTube播放列表（DeepLearning.AI）
深度学习（与Pytorch）-NYU，Yann Lecun
麻省理工学院深度学习-Lex Fridman的最新深度学习课程
阅读文章
阅读许多文章
这是您绝对应该阅读的令人敬畏的文章清单，可免费阅读。媒介几乎是找到AI或朝向数据科学出版物的最佳解释的最佳场所。我也在那里分享自己的文章，我喜欢使用该平台。如果您听起来很有趣，并且您想同时支持我，则可以在此处使用我的附属链接订阅媒体！
- 在2022年开始AI - 免费成为一名专家，免费成为专家！ - 路易·布沙德（Louis Bouchard）
- 5初学者友好的步骤，与Python一起学习机器学习和数据科学-Daniel Bourke
- 什么是机器学习？ -Roberto Iriondo
- 初学者的机器学习：神经网络简介 - Victor Zhou
- 神经网络初学者指南 - 托马斯·戴维斯（Thomas Davis）
- 了解神经网络-Canuma王子
- 新米拉学生的阅读清单 - 匿名
- 80/20 AI阅读列表-Vishal Maini
阅读书籍
读一些书
这是一些很棒的书，可以阅读，因为人们喜欢阅读道路。
- 建立生产LLM：通过提示，微调和抹布提高LLM的能力和可靠性 - 向AI提高。 “发现将大型语言模型调整为现实世界应用的关键技术堆栈，包括及时的工程，微调和检索增强发电。” （或在此处获取电子书。您可以为我提供良好的折扣！）
- 深度学习书 - 在线免费
- 深入学习 - 在线免费
- 概率机器学习：简介 - 免费在线免费
- 人工智能：一种现代方法 - 可选（付款）
- 模式识别和机器学习 - 可选（付款）
- 使用Python进行深度学习 - 可选（付款）
- 了解机器学习：从理论到算法 - Shai Shalev -Shwartz和Shai Ben -David-免费在线
构建数学背景的出色书籍：
- 机器学习数学 - 免费在线
- 统计学习的要素 - 可选（付款）
- 统计推断 - 可选（付款）
完整的演算背景：
- 微积分：概念和上下文 - 可选（付款）
- 单变量演算：概念和上下文 - 可选（付款）
- 多变量演算：概念和上下文 - 可选（付款）
这些书是完全可选的，但是它们将为您更好地了解该理论，甚至教您一些有关编码神经网络的知识！
没有ML的数学背景？检查一下！
没有ML的数学背景？检查一下！
不要像生活中的大多数事情一样强调，您可以学习数学！以下是一些出色的初学者和高级资源，可以进入机器学习数学。我建议从机器学习中的这三个非常重要的概念开始（这里有3个很棒的免费课程可在可汗学院提供）：
- 线性代数 - 可汗学院
- 统计和概率 - 可汗学院
- 多变量演算 - 可汗学院
以下是一些很棒的免费书籍和视频，可以帮助您以更“结构化的方法”学习：
- Mathemathicmonk- YouTube
- 机器学习数学 - 加勒特·托马斯（Garrett Thomas）
- 统计学习简介：在R中的应用（统计中的Springer文本） - Gareth James，Daniela Witten，Trevor Hastie和Robert Tibshirani
如果您仍然缺乏数学信心，请查看上面的“阅读书籍”部分，我分享了许多很棒的书来建立强大的数学背景。现在，您有一个非常好的机器学习的数学背景，并且可以深入研究！
没有编码背景，没有问题
没有编码背景，没有问题
这是一些学习机器学习的编程方面的精彩课程的列表。
- 使用Python的实用机器学习教程 - 免费的YouTube Python介绍
- 学习python-免费的互动教程学习python
- 学习用于数据分析的Python基础知识 - 在Opencrooms上免费课程
- Python和R的数据科学开始 - 免费
- 用Python | Coursera -IBM-可选（付款）
- Python的数据科学简介 - 在此Python的数据科学课程中，学生将学习核心Python概念并使用该语言，因为它与数据科学有关的语言在16周的学习计划中（付款，可选）。
- 100个Numpy练习 - 在Numpy邮件列表中，堆栈溢出和Numpy文档中收集的一系列练习。
- Shell教程 - 学习使用Unix Shell！对于开发人员和AI从业人员来说，必不可少的。
查看路易斯·布沙德（Louis Bouchard）的播客，以与该领域的专家的访谈形式，以获取更多的AI内容！邀请AI专家，我将介绍与AI相关的特定主题，子场和角色，以教授和分享努力收集它的人们的知识。
关注在线课程
（可选）通过遵循一些在线课程，获得更好的理解和更具指导性的练习
如果您希望更加指导性并有明确的步骤，那么这些课程是最好的课程。
- 深度学习-Yann Lecun-本课程涉及深度学习和表示学习中的最新技术。 - 自由的
- 机器学习的介绍 - Kaggle-学习机器学习中的核心思想，并构建您的第一个模型。 - 自由的
- 每个人都在AI / AI中开始 - Andrew Ng-付款，可选
- 机器学习 - 安德鲁·恩格 - 斯坦福 - 付费，可选
- 使用Python的AI编程 - 完整的纳米模型 - 付费，可选
- 深度学习专业化 - 安德鲁·恩（Andrew Ng） - 付款，可选
- TensorFlow（专业证书） - 付款，可选
- AI工程 - IBM（专业证书） - 付款，可选
- 完整的数据科学训练营2022-付款，可选
- 机器学习 - 无编码 - 付款，可选
- 数据科学培训 +行业经验 - 一项完整的教师主导的16周培训计划，具有经验（付款，可选）。
- 讲师主导的在线数据科学训练营 - 完整的教师主导的16周学习计划（付款，可选）。
- Fast.ai的深度学习课程 - 免费
- CS50- python（和机器学习），哈佛OCW的人工智能简介 - 免费（也适用于教师！）
- 深度学习课程 - 弗朗索瓦·弗莱特（FrançoisFleuret） - 本课程是对深度学习的彻底介绍，其中包括Pytorch框架中的例子。有一些先决条件。
对于特定应用：
- AI用于从Udacity交易的纳米模型 - 付费
- 学习深度强化学习 - Udacity Nanodegree-付费
- 通过DeepLearning.AI - 付费“闯入NLP空间。主尖端NLP技术通过四个动手实践课程！”成为NLP Pro。
将您的模型在线并向世界展示：
- Gradio课程 - 为机器学习模型创建用户界面 - FreecodeCamp-免费
- 如何将机器学习模型部署到Google云-Daniel Bourke-免费
- 机器学习DevOps工程师 - udacity纳米式 - 付费
- AWS机器学习工程师 - Udacity Nanodegree-付费
练习，练习和练习！
练习是关键
编程中最重要的是实践。这也适用于机器学习。很难找到一个个人的练习项目。
幸运的是，Kaggle存在。该网站上充满了免费课程，教程和竞赛。您可以免费加入竞赛，只需下载他们的数据，了解他们的问题并立即开始编码和测试！您甚至可以从赢得比赛中赚钱，这是一件很棒的简历。这可能是学习很多东西甚至赚钱的最佳方法！项目的另一个绝佳机会是遵循针对特定应用程序等特定应用程序的课程，例如AI，用于Udacity的交易课程。
您还可以创建Kaggle竞争的团队并与人一起学习！我建议您加入一个社区，找到一个团队并与他人一起学习，这总是比孤单更好。请查看下一节。
想构建语言模型/应用吗？检查一下（现在使用LLM！）！
我收到了很多想要专注于自然语言处理（NLP）（用于语言的模型）的人的要求，甚至严格学习机器的学习机器。这是一个专门针对此需求的部分。快乐的NLP学习！
- 2022年NLP硕士的完整路线图
- 通过DeepLearning.AI - 付费“闯入NLP空间。主尖端NLP技术通过四个动手实践课程！”成为NLP Pro。
- NLP纳米学位！ - 付费“学习尖端的自然语言处理技术来处理语音和分析文本。建立概率和深度学习模型，例如隐藏的马尔可夫模型和经常性的神经网络，以教计算机来执行诸如语音识别，机器翻译等诸如诸如诸如语音识别之类的任务！”
- NLTK书是学习NLP背后基本理论的免费资源：https：//www.nltk.org/book/
- 为了构建快速的文本分类模型或Word vectorizer，FastText是快速训练模型的好库。
- Huggingface是获得现代NLP车型的地方，它们还包括整个课程。
- Spacy非常适合NLP的生产，因为它可以使用NLU，NER，并且可以对其进行培训分类等。它还能够在管道中添加自定义的步骤或型号。
- 提示！提示是一项新技能，如果您想构建与NLP相关的应用程序，则应掌握它。这是我为教授提示并为特定模型提供提示的一门很好的课程。
训练，微调并使用大型语言模型！
- Langchain＆Vector数据库中的数据库 - 我们与Activeloop和Intel Insportor Initiative合作构建了一个惊人的免费资源，以了解生产中的Langchain＆Vector数据库。 “无论您是经验丰富的开发人员，是AI领域的新手还是经验丰富的机器学习爱好者，本课程都是为您设计的。我们的目标是使AI易于访问且实用，从而改变您如何处理日常任务和工作的整体影响。”
- 培训和微调生产的LLMS-我们与Activeloop和Intel Insuptor倡议合作建立了一个惊人的免费资源，以了解培训和调整生产的培训LLMS。 "If you want to learn how to train and fine-tune LLMs from scratch, and have intermediate Python knowledge as well as access to moderate compute resources (for some cases, just a Google Colab will suffice!), you should be all set to take and complete the course. This course is designed with a wide audience in mind, including beginners in AI, current machine learning engineers, students, and professionals considering a career transition to AI. We aim to provide you with the necessary tools to apply并在广泛的行业量身定制大型语言模型，以使AI更容易访问和实用。”
- 从初学者到高级LLM开发人员 - 到AI。 “使用LLM，提示，抹布，微调和代理来构建您的第一个可扩展产品！掌握了顶级公司所需的技能，并使用真实的应用程序构建自己的高级LLM MVP。”
- 建立生产LLM：通过提示，微调和抹布提高LLM的能力和可靠性 - 向AI提高。 “发现将大型语言模型调整为现实世界应用的关键技术堆栈，包括及时的工程，微调和检索增强发电。” （或在此处获取电子书。您可以为我提供良好的折扣！）
更多资源
加入社区！
与许多AI爱好者的不和谐服务器 - 一起学习，提出问题，找到Kaggle队友，分享您的项目等等。
您可以在其中最新的AI新闻保持最新状态的Discord服务器 - 与最新的AI新闻保持最新，提出问题，分享您的项目等等。
关注Reddit社区 - 提出问题，分享您的项目，关注新闻等等。
- 人造 - 人工智能
- 机械学习 - 机器学习（该领域最大的子重新数）
- 深度学习纸 - 深度学习论文
- Computervision-从图像和视频中提取有用的信息
- 学习计算 - 学习机器学习
- 人造智能-AI
- LATSESTINML-机器学习中改变游戏的发展，您不应该错过
保存作弊表！
- 人工智能，机器学习和Python的最佳作弊表。
- AI，神经网络，机器学习，深度学习和大数据的作弊表 - Stefan Kojouharov
- 斯坦福大学CS 229的机器学习作弊表 - Afshine Amidi＆Shervine amidi
- 机器学习和Python（和数学）作弊表的备忘单 - 罗比·艾伦（Robbie Allen）
- AI专家路线图 - 将其用作技能清单！
关注现场的新闻！
找到机器学习工作
- 从文章中阅读本节，其中包含面试技巧以及如何为他们做准备。
- 了解面试过程如何进行，并通过观看其他人的工作方式来为他们做好准备，例如我与Nvidia，Zoox（自动驾驶公司），D-ID（生成AI启动）和ETC的专家一起跑过的访谈系列。
人工智能道德
- 什么是伦理，为什么它们重要？机器学习版 - fast.ai的创始人雷切尔·托马斯（Rachel Thomas）
- AI4PEOPLE - 一个良好AI社会的道德框架：机遇，风险，原则和建议-Floridi等人，2018年，良好社会的AI4PEOPLE AI
- 值得信赖的AI的道德准则 - 欧洲委员会高级专家组7分，可信赖的AI。
- 《机器人和人工智能伦理学介绍》 - 克里斯托夫·巴特内克（Christoph Bartneck），克里斯托夫·吕格（ChristophLütge），艾伦·瓦格纳（Alan Wagner）和肖恩·威尔士（Sean Welsh）的免费电子书。
如果您共享列表，请在Twitter @Whats_AI或LinkedIn @Lououis Bouchard上标记我！
？如果您想支持我的工作，则可以检查以赞助此存储库。
该指南仍定期更新。
