机器学习、深度学习初学者学习路线

我曾经在两个月内学完机器学习，我相信你也可以做到。

这条学习路线将帮助你从基础到进阶扎实掌握这项技术，从纯 Python 打造机器学习模型，到使用 TensorFlow 或 Keras 等高级库。深入剖析问题的本质，正是本课程的核心价值。

附注： 请留下 1 星，以激励团队继续发布后续内容，也别忘了分享给你的朋友哦。

我是 ProtonX 和 VietAI 河内的创始人，我制作内容来帮助社区学习人工智能。:D

2019年12月10日，经过两轮面试，谷歌正式授予我越南首位机器学习领域 Google 开发者专家称号。

你可以在 这里 找到我的资料。

关于机器学习的介绍视频：

关于 VietAI 的成就与目标，请参阅 这里。

在 YouTube 上观看我

目录

---

• 1. 必要的数学知识（已完成）
• 2. Python 编程技能（已完成）
• 3. Numpy 和 TensorFlow 库（已完成）
• 4. 数据可视化及工具（进行中）
  • 表格数据
• 5. 回归问题（已完成）
• 6. 分类问题（已完成）
• 7. 在生产环境中部署机器学习模型（已完成）
• 8. 浏览器端机器学习与 TensorFlow.js（已完成）
• 9. 最新更新
  • TensorFlow 2.0
  • 体验 PaperSpace Gradient Community
• 10. 每日算法练习（进行中）
  • 回溯算法
• 11. 若干实际应用案例（进行中）

  • 迁移学习应用

    

12. [视频] 基础 AI + TensorFlow 认证考试辅导

• 1. 机器学习/深度学习简介
  • 视频
• 2. 构建交通标志识别问题（包含数据增强）
  • 视频：数据处理与模型构建
  • 视频：训练与预测
  • Notebook
• 3. 构建卷积层 / MaxPooling
  • 视频
  • Notebook
• 4. 自动标注与多维图像处理
  • 视频
  • Notebook
• 5. 使用 InceptionNet 进行迁移学习
  • 视频
  • Notebook
• 6. Tokenization 与序列
  • 视频
  • Notebook
• 7. Word2Vec
  • 视频
• 8. 实践构建 Embeddings
  • 视频
  • Notebook
• 9. RNN 网络
  • 视频
• 10. 实践构建 RNN、LSTM、双向网络
  • 视频
  • Notebook
• 11. 计算 RNN 网络参数量
  • 视频
• 12. 文本生成问题
  • 视频
  • Notebook
• 13. 时间序列数据简介
  • 视频
• 14. 使用 TensorFlow Dataset 构建时间序列数据集
  • 视频
  • Notebook
• 15. 使用 RNN 解决时间序列问题
  • 视频
  • Notebook

learn-machine-learning-in-two-months 快速上手指南

本指南基于越南 AI 专家 Ngoc Ba（Google GDE）开源的"2 个月机器学习速成”项目整理。该项目强调从数学原理到代码实现的深度理解，适合希望系统掌握 Machine Learning (ML) 和 Deep Learning (DL) 的开发者。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux (推荐 Ubuntu)。
• Python 版本：Python 3.6 及以上（推荐 3.8+）。
• 核心依赖库：
  • NumPy (数值计算)
  • Pandas (数据处理)
  • Matplotlib / Seaborn (数据可视化)
  • TensorFlow 2.0+ 或 Keras (深度学习框架)
  • Scikit-learn (传统机器学习算法)
• 开发工具：推荐安装 Jupyter Notebook 或 JupyterLab，以便直接运行项目中的 .ipynb 示例文件。也可使用 Google Colab 在线运行，无需本地配置 GPU。

国内加速建议： 由于网络原因，建议使用清华源或阿里源安装 Python 包，并考虑使用 Google Colab 或国内的 AI Studio (如百度飞桨、ModelArts) 进行云端训练。

安装步骤

1. 克隆项目代码

打开终端，执行以下命令获取源码：

git clone https://github.com/bangoc123/learn-machine-learning-in-two-months.git
cd learn-machine-learning-in-two-months

2. 创建虚拟环境 (推荐)

为了避免依赖冲突，建议创建独立的虚拟环境：

python -m venv ml_env
# Windows
ml_env\Scripts\activate
# macOS/Linux
source ml_env/bin/activate

3. 安装依赖

项目未提供统一的 requirements.txt，根据目录结构手动安装核心库。推荐使用国内镜像源加速：

pip install numpy pandas matplotlib seaborn scikit-learn tensorflow jupyterlab -i https://pypi.tuna.tsinghua.edu.cn/simple

注：若需运行特定的高级示例（如 TensorFlowJS 或分布式训练），请参考对应子目录下的说明单独安装额外依赖。

基本使用

本项目按模块划分，从基础数学到复杂模型部署。以下是快速体验一个完整机器学习流程（以线性回归为例）的步骤：

1. 启动 Jupyter Lab

在项目根目录下启动服务：

jupyter lab

2. 导航至示例目录

在浏览器打开的界面中，进入 models/linear-regression/ 文件夹。该目录包含从零实现线性回归以及使用库实现的教程。

3. 运行最简单的示例

打开对应的 .ipynb 文件（例如 linear-regression-from-scratch.ipynb），按顺序执行单元格。

以下是一个基于该项目理念的最小化代码示例（模拟从零构建模型的核心逻辑）：

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成模拟数据 (y = 2x + noise)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 2. 添加偏置项 (Bias term)
X_b = np.c_[np.ones((100, 1)), X]

# 3. 使用正规方程 (Normal Equation) 直接求解参数 theta
# theta = (X^T * X)^(-1) * X^T * y
theta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)

print(f"截距: {theta_best[0][0]:.2f}, 斜率: {theta_best[1][0]:.2f}")

# 4. 预测与可视化
X_new = np.array([[0], [2]])
X_new_b = np.c_[np.ones((2, 1)), X_new]
y_predict = X_new_b.dot(theta_best)

plt.plot(X_new, y_predict, "r-", label="Prediction")
plt.plot(X, y, "b.", label="Data")
plt.legend()
plt.show()

4. 进阶学习路径

按照项目 README 中的目录顺序逐步深入：

1. 数学基础 (./math)：复习微积分与线性代数。
2. Python 与 Numpy (./python-tutorials, ./numpy)：掌握底层数组操作。
3. 核心模型 (./models)：依次学习回归、分类问题。
4. 实战部署 (./deployment)：学习如何将模型部署到生产环境或浏览器 (TensorFlow.js)。
5. 视频课程：参考原文第 12 部分提供的 YouTube 视频链接（需网络环境支持），配合 Notebook 进行交通识别、NLP 等实战练习。