软件工程师如何入门 机器学习？
集合：源代码
http://www.gitpp.com/caimaomao123/ml-rumen
machine learning 入门
自学成才的机器学习大牛，目前年薪百万。在人工智能技术领域，从菜鸟到年薪百万，需要学习很多，也要参与一些大项目。github上有很多资源，也有很多开源项目可以参与。
别认为自己不够聪明
当我打开书本，发现他们告诉我多元微积分、统计与推理、线性代数是学习机器学习的先决条件的时候，我非常沮丧。因为我不知道从哪儿开始…
我数学不好怎么办
没有数学专业背景而理解机器学习算法的5种技巧
我是如何学习机器学习的？
关于视频资源
部分视频只有在Coursera、EdX的课程注册了才能观看。虽然它们是免费的，但有些时间段这些课程并不开放，你可能需要等上一段时间(可能是好几个月)。我将会加上更多的公开的视频源来代替这些在线课程的视频。我很喜欢大学的讲座。
预备知识
这个小章节是一些在每日计划开始前我想去了解的一些预备知识与一些有趣的信息。
Data Analytics，Data Analysis，数据挖掘，数据科学，机器学习，大数据的区别是什么？
学习如何去学习
不要斩断锁链
如何自学
每日计划
每个主题都不需要用一整天来完全理解它们，你可以每天完成它们中的多个。
每天我都会从下面的列表中选一个出来，一遍又一遍的读，做笔记，练习，用Python或R语言实现它。
动机
梦
机器学习概论
形象的机器学习简介
一份温柔的机器学习指南
为开发者准备的机器学习简介
菜鸟的机器学习基础
你如何向非计算机专业的人来解释机器学习与数据挖掘？
在罩子下的机器学习，博文简单明了地介绍了机器学习的原理
机器学习是什么？它是如何工作的呢？
深度学习——一份非技术性的简介
掌握机器学习
掌握机器学习的方法
程序员的机器学习
掌握并运用机器学习
Python机器学习小课程
机器学习算法小课程
有趣的机器学习
机器学习真有趣！
Part 2: 使用机器学习来创造超级马里奥的关卡
Part 3: 深度学习与卷积神经网络
Part 4: 现代人脸识别与深度学习
Part 5: 翻译与深度学习和序列的魔力
Part 6: 如何使用深度学习进行语音识别
Part 7: 使用生成式对抗网络创造 8 像素艺术
Part 8: 如何故意欺骗神经网络
机器学习简介(用手指沾上墨水来书写机器学习简介)
Part 1 : 什么是机器学习？
Part 2 : 监督学习与非监督学习
一本深入的机器学习指南
概述，目标，学习类型和算法
数据的选择，准备与建模
模型的评估，验证，复杂性与改进
模型性能与误差分析
无监督学习，相关领域与实践中的机器学习
故事与经验
一周的机器学习
一年的机器学习
我是如何在3天内写出我的第一个机器学习程序的
学习路径：你成为机器学习专家的导师
不是PhD你也可以成为机器学习的摇滚明星
如何6个月成为一名数据科学家：一名黑客的职业规划
视频
幻灯片
5个你成为机器学习工程师必须要掌握的技能
你是一个自学成才的机器学习工程师吗？你是怎么做的？花了多长时间？
一个人如何成为一名优秀的机器学习工程师？
一个专注于机器学习的学术假期
机器学习算法
用“士兵”来表示10种机器学习算法
Top10的数据挖掘算法
介绍10种机器学习的术语
机器学习算法之旅
机器学习工程师需要知道的10种算法
比较监督学习算法
收集的最简化、可执行的机器学习算法
入门书籍
《Data Smart: Using Data Science to Transform Information into Insight》第 1 版
《Data Science for Business: What you need to know about data mining and data analytic-thinking》
《Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die》
实用书籍
Hacker 的机器学习
GitHub repository(R)
GitHub repository(Python)
Python 机器学习
GitHub repository
集体智慧编程: 创建智能 Web 2.0 应用
机器学习: 算法视角，第二版
GitHub repository
Resource repository
Python 机器学习简介: 数据科学家指南
GitHub repository
数据挖掘: 机器学习工具与技术实践，第 3 版
Teaching material - 1-5 章幻灯片(zip) - 6-8 章幻灯片(zip)
Machine Learning in Action
GitHub repository
Reactive Machine Learning Systems(MEAP)
GitHub repository
An Introduction to Statistical Learning
GitHub repository(R)
GitHub repository(Python) - 视频
使用 Python 构建机器学习系统
GitHub repository
学习 scikit-learn: 用 Python 进行机器学习
GitHub repository
Probabilistic Programming & Bayesian Methods for Hackers
Probabilistic Graphical Models: Principles and Techniques
Machine Learning: Hands-On for Developers and Technical Professionals
Machine Learning Hands-On for Developers and Technical Professionals review
GitHub repository
从数据中学习 - 在线教程
强化学习——简介(第 2 版)
GitHub repository
使用TensorFlow(MEAP)进行机器学习
GitHub repository
Kaggle知识竞赛
Kaggle竞赛：怎么样，在哪里开始？
一个初学者如何用一个小项目在机器学习入门并在Kaggle竞争
如何竞争Kaggle的Master
系列视频
Machine Learning for Hackers
Fresh Machine Learning
Josh Gordon 的机器学习菜谱
在 30 分钟以内了解机器学习的一切
一份友好的机器学习简介
Nuts and Bolts of Applying Deep Learning - Andrew Ng
BigML Webinar - 视频 - 资源
mathematicalmonk's Machine Learning tutorials
Machine learning in Python with scikit-learn
GitHub repository - 博客
播放清单 - YouTuBe 上最热门的机器学习、神经网络、深度学习视频
16 个必看的机器学习教程
DeepLearning.TV
Learning To See
神经网络课程 - Université de Sherbrooke
2016年的21个深度学习视频课程
2016年的30个顶级的机器学习与人工智能视频教程 Top Videos, Tutorials & Courses on Machine Learning & Artificial Intelligence from 2016
程序员的深度学习实战
MOOC
edX 的人工智能导论
Udacity的机器学习导论
复习Udacity机器学习导论
Udacity的监督学习、非监督学习及深入
Machine Learning Foundations: A Case Study Approach
Coursera的机器学习
视频
复习Coursera机器学习
Coursera的机器学习路线图
机器学习提纯
BigML training
Coursera的神经网络课程
由Geoffrey Hinton（神经网络的先驱）执教
使用TensorFlow创建深度学习应用
描述统计学概论
推理统计学概论
6.S094: 自动驾驶的深度学习
6.S191: 深度学习简介
Coursera 深度学习教程
资源
一个月学会机器学习
一份“非技术性”的机器学习与人工智能指南
Google机器学习工程师最佳实践教程
Hacker News的《软件工程师的机器学习》
开发者的机器学习
为人类🤖👶准备的机器学习
给开发者的关于机器学习的建议
机器学习入门
为新手准备的机器学习入门教程
初学者如何自学机器学习
机器学习自学资源
提升你的机器学习技能
一份'坦诚'的机器学习指南
用机器学习让Hacker News更具可读性
视频
幻灯片
深入机器学习
软件工程师的{机器、深度}学习
深度学习入门
深度学习基础
机器学习思维导图/小抄
大学中的机器学习课程
斯坦福
机器学习夏令营
牛津
剑桥
Flipboard的主题
机器学习
深度学习
人工智能
Medium的主题
机器学习
深度学习
人工智能
每月文章Top10
2016年9月 - 2016年10月-11月
2016年7月
2016年8月
2016年9月 - 2016年10月 - 2016年11月 - 2016年
机器学习
算法
全面的数据科学家的资源
DigitalMind的人工智能资源
令人惊叹的机器学习
CreativeAi的机器学习
成为一名开源贡献者
tensorflow/magenta: Magenta: 用机器智能生成音乐与艺术
tensorflow/tensorflow: 使用数据流图进行计算进行可扩展的机器学习
cmusatyalab/openface: 使用深层神经网络进行面部识别
tensorflow/models/syntaxnet: 神经网络模型语法
在人工智能技术领域，从菜鸟到年薪百万确实需要付出大量的努力和学习。GitHub作为一个开源项目的宝库，提供了丰富的学习资源和参与机会。以下是一些利用GitHub资源在人工智能领域做出一番事业的建议：
一、创建GitHub账号并熟悉平台
创建账号：首先，需要在GitHub官网上注册一个账号。注册过程简单，只需提供邮箱、用户名和密码即可。
浏览资源：GitHub上有大量的人工智能和机器学习相关的开源项目和资源。可以通过输入关键词搜索，或浏览不同的分类和标签找到感兴趣的资源。
二、寻找学习资源
开源项目：GitHub上有许多高质量的开源项目，这些项目不仅提供了代码实现，还往往包含详细的文档和教程。例如，mlflow/mlflow项目是一个开源的机器学习平台，提供了机器学习生命周期管理的功能，非常适合初学者和进阶用户了解机器学习的整个流程。
教程和路线图：GitHub上还有许多机器学习教程的汇总，如MorvanZhou/tutorials项目，提供了机器学习的入门知识和实践案例。此外，还有如mrdbourke/machine-learning-roadmap项目，通过图表和文本的形式展示了机器学习领域的各个领域和学习路径，帮助学习者制定自己的学习计划。
三、参与开源项目
Fork项目：找到感兴趣的开源项目后，可以将其Fork到自己的GitHub仓库中。这样可以在自己的仓库中自由地进行修改和实验，而不影响原项目。
提交Pull Request：当对项目有了改进或修复了bug后，可以向原项目提交Pull Request。如果贡献被接受，将有助于提高在GitHub社区中的声誉，甚至可能获得项目维护者的认可。
参与讨论：在项目的Issues页面中，可以与其他开发者讨论问题、分享经验。这是一个学习和交流的好机会。
四、持续学习和实践
关注最新动态：人工智能领域发展迅速，新的算法和技术层出不穷。需要持续关注GitHub上的新项目和论文，保持学习的热情。
动手实践：理论知识需要通过实践来巩固。可以利用GitHub上的开源项目和数据集，动手实践机器学习算法和模型。
建立个人项目：在掌握了足够的知识后，可以尝试建立自己的机器学习项目。这不仅可以锻炼自己的实践能力，还有助于在GitHub上积累经验和声誉。
五、利用GitHub社区拓展人脉
关注优秀开发者：GitHub上有许多优秀的机器学习开发者，他们的项目和贡献值得学习和关注。通过关注他们，可以了解最新的技术动态和趋势。
参与社区活动：GitHub社区经常举办各种线上和线下活动，如技术分享会、黑客马拉松等。这些活动是拓展人脉、了解行业动态的好机会。
六、商业化和创业
将技术转化为产品：当在人工智能领域积累了一定的经验和技术后，可以考虑将技术转化为产品。例如，开发智能家居系统、智能健康管理系统等。
寻找投资机会：在GitHub上展示自己的项目和成果，吸引投资者的注意。通过撰写商业计划书、参加创业大赛等方式，寻找投资机会。
建立团队：一个人的力量是有限的，建立一个强大的团队是成功的关键。可以在GitHub上寻找志同道合的伙伴，共同创业。
综上所述，利用GitHub的资源在人工智能领域做出一番事业需要付出大量的努力和学习。通过寻找学习资源、参与开源项目、持续学习和实践、利用GitHub社区拓展人脉以及商业化和创业等步骤，可以逐步实现从菜鸟到年薪百万的蜕变。
软件工程师如何入门 机器学习？
集合：源代码
http://www.gitpp.com/caimaomao123/ml-rumen
machine learning 入门
从一名移动端软件开发者(自学，无文凭)转型成为一名机器学习工程师。
