Metacademy的创始人Colorado Reed发布过一篇名为“机器学习练级攻略”，文中回答了初学者经常问他的一个问题：如何才能更好地学习机器学习？这篇文章将总结Colorado的建议并分步讲解他文中的路线图。

如何更好地掌握机器学习

Colorado是伯克利大学的在读博士，同时也是Metacademy的创始人。Metacademy是一个优秀的开源平台，许多专业人员共同在这个平台上编写wiki文章。目前，这些文章主要围绕着机器学习和人工智能这两个主题。

在Colorado的建议中，更好地学习机器学习的方法就是不断的通过书本学习。他认为读书的目的就是让心中有书。

一个博士在读生给出这样的建议并不令人惊讶，以前本站可能还推荐过类似的建议。这个建议还可以，但我不认为适用每个人。如果你是个开发者，想实现机器学习的算法。下面列出的书籍是一个很好的参考，可以从中逐步学习。

机器学习路线图

他的关于机器学习的路线图分为5个级别，每个级别都对应一本书必须要掌握的书。这5个级别如下：

• Level 0（新手）：阅读《Data Smart: Using Data Science to Transform Information into Insight》。需要了解电子表格、和一些算法的高级数据流。
• Level 1（学徒）：阅读《Machine Learning with R》。学习在不同的情况下用R语言应用不同的机器学习算法。需要一点点基本的编程、线性代数、微积分和概率论知识。
• Level 2（熟练工）：阅读《Pattern Recognition and Machine Learning》。从数学角度理解机器学习算法的工作原理。理解并调试机器学习方法的输出结果，同时对机器学习的概念有更深的了解。需要有算法、较好的线性代数、一些向量积分、一些算法实现经验。
• Level 3（大师）：阅读《Probabilistic Graphical Models: Principles and Techniques》。深入了解一些高级主题，如凸优化、组合优化、概率论、微分几何，及其他数学知识。深入了解概率图模型，了解何时应该使用以及如何解释其输出结果。
• Leval 4（宗师）：随便去学吧，记得反馈社区。

Colorado针对每个级别中列出的书中章节阅读建议，并给出了建议去了解的相关顶级项目。

Colorado后来重新发布了一篇博客，其中对这个路线图做了一点修改。他移除了最后一个级别，并如下定义了新的级别：好奇者、新手、学徒、熟练工、大师。他说道，Level 0中的机器学习好奇者不应该阅读相关书籍，而是浏览观看与机器学习有关的顶级视频。

机器学习中被忽视的主题

Scott Locklin也阅读了Colorado的那篇博客，并从中受到了启发，写了一篇相应的文章，名为“机器学习中被忽视的想法”（文中有Boris Artzybasheff绘制的精美图片）。

Scott认为Colorado给出的建议并没有充分的介绍机器学习领域。他认为很少有书籍能做到这一点，不过他还是喜欢Peter Flach所著的《Machine Learning: The Art and Science of Algorithms that Make Sense of Data》这本书，因为书中也接触了一些隐晦的技术。

Scott列出了书本中过分忽视的内容。如下所示：

• 实时学习：对流数据和大数据很重要，参见Vowpal Wabbit。
• 强化学习：在机器人方面有过讨论，但很少在机器学习方面讨论。
• “压缩”序列预测技术：压缩数据发现学习模式。参见CompLearn。
• 面向时间序列的技术。
• 一致性预测：为实时学习精确估计模型。
• 噪声背景下的机器学习：如NLP和CV。
• 特征工程：机器学习成功的关键。
• 无监督和半监督学习。

这个列表很好的指出了机器学习中没有注意到的领域。

最后要说明的是，我自己也有一份关于机器学习的路线图。与Colorado一样，我的路线图仅限于分类/回归类型的监督机器学习，但还在完善中，需要进一步的调查和添加所有感兴趣的主题。与前面的“读这些书就可以了”不同，这个路线图将会给出详细的步骤。

打赏支持我翻译更多好文章，谢谢！

打赏译者

关于作者：Daetalus

Pyston核心开源开发者。熟悉CPython实现，关注Python科学计算。 个人主页 · 我的文章 · 28 ·