本文总结2023年最适合的机器学习/人工智能学习路线及其资源，全文干货建议先点赞、收藏、关注三连后慢慢食用。
本文涵盖数学课程、机器学习算法、深度学习算法、开发框架练手项目，全文5000多字总结，原创不易，如果对您有所帮助，不要吝啬点赞、收藏、关注
机器学习
在讨论学习路线图之前，需要先了解机器学习及人工智能所需要的知识体系及能力，如果想要从事深度学习必须具备一下几个技能：
数学基础技能
深度学习的第一步或技能是 数学技能。它可以帮助您了解深度学习和机器学习算法的工作原理。当你尝试着去理解一个像机器学习（ML）一样的交叉学科的时候，主要问题是理解这些技术所需要的数学知识的量以及必要的水平。这个问题的答案是多维的，也会因个人的水平和兴趣而不同。
当然并不是要求每个人都必须在理解全部数据知识之后才能着手进行机器学习、人工智能的工作，但是从业者一定要对数学知识有所了解，以便遇到实际数学问题可以从问题切入下手，以下数学知识应该有所了解：
img
线性代数
线性代数是 21 世纪的数学。在机器学习领域，线性代数无处不在。主成分分析（PCA）、奇异值分解（SVD）、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数（Norms），这些都是理解机器学习中所使用的优化方法所需要的。
麻省理工公开课：线性代数
由 MIT Courseware 提供的线性代数课程（Gilbert Strang 教授的讲授的课程），备受广大学生的喜欢，精品中的精品，首推、强推。
线性代数的本质 – 01 – 向量究竟是什么？
3Blue1Brown出品的这个线性代数的本质系列视频就是开胃菜，总共14个小视频，视频控制在9-18分钟之间，很适合短时间快速温习
可汗学院公开课：线性代数交互式线性代数学习概率论与统计学
机器学习需要的一些概率和统计理论分别是：组合、概率规则和公理、贝叶斯定理、随机变量、方差和期望、条件和联合分布、标准分布（伯努利、二项式、多项式、均匀和高斯）、 矩母函数 （Moment Generating Functions）、最大似然估计（MLE）、先验和后验、最大后验估计（MAP）和抽样方法。
Introduction to Statistics: Descriptive StatisticsProbabilistic Systems Analysis and Applied Probability微积分
当确立好一个算法模型之后，问题的最终求解往往都会涉及到优化问题。在探寻数据空间极值的过程中，如果没有微分理论和计算方法作为支撑，任何漂亮的模型都无法落地。当然如果不具备基础的微积分知识，在理解机器学习算法的优化上同样困难，
因此，夯实多元微分的基本概念，掌握最优化的实现方法，是通向最终解决方案的必经之路。
Essence of calculus: 以动画的方式让你理解微积分，非常适合入门凸优化
机器学习中广泛使用的凸优化方法主要分为梯度下降法和拟牛顿法，学习凸优化在机器学习中具有重要的地位，能够帮助我们更有效地训练模型、提高模型的性能，并且提供了坚实的数学基础和工具，用于解决各种优化问题
凸优化最优化方法1: 介绍 （2022重录）_哔哩哔哩_bilibili编程技能
Python 是迄今为止最流行、最好的机器学习语言，超过 60% 的机器学习开发人员使用并优先使用它进行开发。 Python 如此有吸引力有几个关键方面。 一方面，它很容易学习，这对于那些想要开始机器学习的人来说至关重要。 它还具有可扩展性和开源性。入门机器学习需要学习一门编程语言，这门编程语言主推python，如果有编程学习经验的同学可以自行学习，这里仅简单推荐几门课程。
Python 编程简介Python 教程Python 3 教程 Python 数据科学特征工程能力
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程很少在机器学习相关的书中阐述，包括很多网络课程当中，这个需要很多实际经验才能得出处理数据的知识。这里推荐几本特征工程的图书，可以自行阅读
Bad Data Handbook: Cleaning Up The Data So You Can Get Back to Work，这本书是 19 位机器学习从业者的论文与资料集，汇总了关于数据准备和管理的实用知识与技巧。Data Wrangling with Python: Tips and Tools to Make Your Life Easier，这本书的重点是帮助我们将原始数据转化为适用于建模的数据形式的工具和方法。A Short Guide for Feature Engineering and Feature Selection（撰写的特征工程和选择：预测模型的实用方法）。这本书描述了为建模准备原始数据作为特征工程的一般过程。Feature Engineering for Machine Learning（机器学习中的特征工程）。机器学习基础算法
按照机器学习算法分类可以将机器学习划分为：
监督学习
监督学习是指在给定的训练集中“学习”出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出，即特征值和目标值（标签），训练集中数据的目标值（标签）是由人工事先进行标注的，下面给出监督学习算法的发展时间线。
图4：监督学习算法发展史
非监督学习
非监督学习是指在机器学习过程中，用来训练机器的数据是没有标签的，机器只能依靠自己不断探索，对知识进行归纳和总结，尝试发现数据中的内在规律和特征，从而对训练数据打标签。常见的非监督学习算法主要有三种：聚类、降维和关联。
算法名称类型特点应用
K-means
基于划分方法的聚类
将数据分为K组，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心
客户分析与分类、图形分割
Birch
基于层次的聚类
通过扫描数据库，建立一个聚类特征树，对聚类特征树的叶节点进行聚类
图片检索、网页聚类
Dbscan
基于密度的聚类
将密度大的区域划分为族，在具有噪声的空间数据库中发现任意形状的簇，并将簇定义为密度相连的点的最大集合
社交网络聚类、电商用户聚类
Sting
基于网格的聚类
将空间区域划分为矩形单元，对于不同级别的分辨率，存在多个矩形单元，高层单元被划分为多个低层单元，计算和存储每个网格单元属性的统计信息
语音识别、字符识别
主成分分析(PCA)
线性降维
通过正交变换将一组可能存在相关性的变量数据转换为组线性不相关的变量，转换后的变量被称为主成分
数据挖掘、图像处理
线性判别分析(LDA)
线性降维
将高维空间中的数据投影到低维空间中，投影后各个类别的类内方差小，而类间均值差别大
人脸识别、舰艇识别
局部线性嵌入(LLE)
非线性降维
在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间，从而进行特征值的二次提取
图像识别、高维数据可视化
拉普拉斯映射(LE)
非线性降维
从局部近似的角度构建数据之间的关系，对要降维的数据构建图，图中的每个节点和距离它最近的K个节点建立边关系
故障检测
半监督学习
从不同的学习场景看，半监督学习算法可分为 4 大类：半监督分类、半监督回归、半监督聚类和半监督降维，如图6所示。
半监督分类算法的基本思想是在无标签样本的帮助下训练有标签样本，获得比单独使用有标签样本更好的分类器，弥补有标签样本不足的缺陷。
半监督回归算法的基本思想是在无输出的输入的帮助下训练有输出的输入，获得比只使用有输出的输入训练得到的回归器性能更好的回归器。
半监督聚类算法的基本思想是在有标签的样本信息的帮助下，获得比只使用无标签的样本更好的簇，提高聚类的精度。
半监督学习分类
为了更友好帮助新手学习机器学习算法，主要课程时是基于Machine Learning (Coursera, Andrew Ng) 的课程内容。
也可以根据一些经典的课程项目进行练手，比如100天机器学习算法，还有一些经典课程推荐给大家：
YouTube 上的机器学习斯坦福大学完整课程，作者：AndrewCS480/680 机器学习简介 - 2019 年春季 - 滑铁卢大学SYDE 522 – 机器智能（2018 年冬季，滑铁卢大学）机器学习简介课程 - UdacityHesham Asem - 阿拉伯语内容IBM ML with Python从头开始机器学习 - YouTube（Python 工程师）机器学习算法的实践机器学习科学家
林轩田机器学习 强推！！
11.初学者机器学习 - 课程 超级清楚的入门级课程
深度学习深度学习基础知识深度学习基础知识深度学习简介 - 麻省理工学院深入研究深度学习（英文） | (Ar) 版本➡️第 1 部分和第 2 部分深度学习加州大学伯克利分校深入 DL 的 github斯坦福讲座 - 用于视觉识别的卷积神经网络滑铁卢大学 - ML / DL
如果想要实战深度学习建议参考这本书 zh.d2l.ai/， ⾯向希望了解深度学习，特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。
深度学习论文
如果你是深度学习领域的新手，你可能会遇到的第一个问题是“我应该从哪篇论文开始阅读？”下面是一个深入学习论文的阅读路线图！
这份深度学习论文阅读路线分为三大块：
深度学习论文Github
知乎知学堂AI大模型免费课程
当然如果想要理解今年最热最火的深度学习大模型知识的话，真心的建议你参加知学堂推出的《程序员的AI大模型进阶之旅》一共2天的课程，里面有业内技术大佬全面解读目前的机器学习技术以及应用，可以提升对于模型的认知和掌握，更快速的了解这门工具。更更更更重要的是，学习要跟对教程老师，这门课的老师来源于科研界和工业界大牛授课，帮助你展望AI未来发展趋势。
最重要的是这个课程是完全免费的，白嫖党的福利。不需要钱就可以和大牛对话，这种机会实属难得， 更能体验自主训练的机器学习模型，实践理论相结合。上面的链接就是公开课的链接！！另外，添加课程之后一定一定一定要添加助教小姐姐的微信，可以私聊助教领取今年最火最热的大模型学习资源！！
开发框架及项目练手开发框架
PyTorch：
新手必备 | 史上最全的PyTorch学习资源汇总
PyTorch中文官方文档：pytorch-cn.readthedocs.io/zh/latest/。阅读上述英文文档比较困难的同学也不要紧，我们为大家准备了比较官方的PyTorch中文文档，文档非常详细的介绍了各个函数，可作为一份PyTorch的速查宝典。
这是一个比较偏算法实战的PyTorch代码教程，在github上有很高的star，github.com/yunjey/pytorch-tutorial。建议大家在阅读本文档之前，先学习上述两个PyTorch基础教程。
首推的是B站中近期点击率非常高的一个PyTorch视频教程：bilibili.com/video/av31914351/，虽然视频内容只有八集，但讲的深入浅出，十分精彩。只是没有中文字幕，小伙伴们是该练习一下英文了...
PyTorch（加州大学伯克利分校 - Youtube）- Lec3（5 个部分）PyTorch - 数据科学博士 - YoutubePytorch 教程 - Aladdin - YoutubePyTorch 课程 (2022) - Youtube使用 Pytorch 进行深度学习使用 PyTorch 和 Scikit-Learn 进行机器学习 -2022
TensorFlow：
TensorFlow-Course：GitHub 13300+ Star
TensorFlow-Tutorials GitHub 7600+ Star
这是 YouTube 视频的 TensorFlow 教程，非常生动有趣。有视频讲解，文字教程，还有代码供你学习和练习。
tensorflow_cookbook：GitHub 5200 + Star这是一本 TensorFlow 英文书的代码，你在网上可以搜到这本书来看看，也可以在这直接使用这些代码进行学习。一共十一章，讲解十分详细
tensorflow2_tutorials_chinese：GitHub 2900+ Star
中文课程，详解讲解了tensorflow的使用教程。
tensorflow 2.0 教程
项目Deena Gergis - 端到端项目机器学习项目 - Youtube适合初学者的十大数据科学项目适合初学者和专家的 12 个数据科学项目数据科学项目和想法2023 年 310 多个顶级机器学习项目10 个端到端指导数据科学项目使用 Scikit Learn 的真实世界 ML 教程使用 Docker、Github 操作和部署的端到端 ML 项目数据科学中的 Python 代码12个免费的数据科学项目来练习Python和Pandas（在线解析互动）
Hi，这里是 @TopGeeky 专注于输出优质回答的“热爱流程序员”，可以看看我更多的回答，希望对您有所帮助：
我是如何面对迷茫 —— 学计算机的各位能告诉我你们的经历吗？
C++必不可少原因 —— 为什么AI算法工程师要求C++?
算法入行学习路线 —— 机器学习、数据科学 如何进阶成为大神？
通俗理解线性代数 —— 如何理解线性代数？
一份学习入行心得 —— 什么是人工智能？如何入行人工智能？
浅显易懂的科普文 —— 如何最简单、通俗地理解什么是机器学习？
机器学习资源路线 —— 如何自学机器学习Machine Learning？
对未来AI应用探索 —— 2023年后，AI 还有什么研究方向有前景？
嗨，我是大K，@TopGeeky一个专注于前沿互联网科技的伪全能开发者，致力于分享有趣的计算机领域、人工智能领域的相关知识、教程、学习路线；如果你也是计算机领域的小伙伴，欢迎关注、私信领取计算机领域学习资源哦～
