一种面向普通人的机器学习SEO技术
技术SEO高级SEO
如果你曾经对学习机器学习感到好奇，但却被大量的信息所淹没，你就来到了正确的岗位。Alexis Sanders与她分享了如何学习机器学习的指南，从A的观点来阐述利弊。

机器学习（ML）在世界范围内普遍存在。它的影响已经从微小的、看似无关紧要的胜利延伸到突破性的发现。SEO社区也不例外。机器学习的理解和直觉可以支持我们对谷歌工程师所面临的挑战和解决方案的理解，同时也能让我们对ML更广泛的含义敞开心扉。

获得机器学习的一般理解的优点包括：

获得工程师们的共鸣，他们最终试图为用户创造最好的结果。

了解机器解决的问题、当前的能力和科学家的目标

了解竞争生态系统和企业如何使用机器学习来驱动结果

准备自己为什么许多行业领袖给我们社会中的一个重大转变（Andrew Ng指AI作为“新电力”）

了解在研究中经常出现的基本概念（这有助于我理解谷歌大脑研究中出现的某些概念）

成长为个人，扩展你的视野（你可能真的喜欢机器学习！）

当代码工作和数据产生时，它是一种非常令人满足的、赋权的感觉（即使它是一个非常微不足道的结果）。

我花了一年的时间学习网络课程，阅读书籍，学习学习（作为机器）。这篇文章是劳动的果实——它涵盖了17种机器学习资源（包括在线课程、书籍、指南、会议演示等），包括最便宜和最受欢迎的网络学习资源（通过一个完整的初学者的镜头）。我还补充了一个总结：“如果我重新开始，我将如何接近它。”

这篇文章不是关于学分或学位的。这是关于Joes和Joannas，他们对机器学习感兴趣，他们想有效地利用他们的学习时间。这些资源大部分将消耗超过50小时的承诺。没有人有时间去浪费一周的工作时间（尤其是在你个人时间完成的时候）。这里的目标是让你找到最适合你学习风格的资源。我真诚地希望你发现这项研究有用，我鼓励评论哪些材料证明是最有用的（特别是那些不包括在内）！人学机器学习

以下是我的建议：

1。出发（估计60小时）

从针对初学者的短内容开始。这将允许你以最少的时间承诺得到事情进展的要点。

提交三小时到Jason Maye的机器学习101幻灯片：2年的敲击，所以你不必。

用Juh戈登YouTube播放列表，花两个小时观看谷歌的{ML}配方。

报名参加Sam DeBrule的机器学习通讯。

通过谷歌的机器学习速成课程工作。

开始听OcDeVIEW的机器学习指南播客（跳过1, 3, 16，21，26）在你的汽车，锻炼，和/或当使用手和眼睛的其他活动。

花两天时间通过KGARLE的机器学习轨迹第1部分。

2。准备提交（估计80小时）

通过这一点，学习者可以理解他们的兴趣水平。继续专注于尽可能快地应用相关知识的内容。

每周工作10小时，持续7周。如果你有一个可以帮助你通过AWS安装的朋友/指导者，绝对要依靠安装中的任何支持（它是ML的100%个最坏的部分）。

用SCIKIT学习和TunSoFoo:掌握概念，工具和技术来构建智能系统，并立即阅读前两章。然后使用此作为FAST.AI课程的补充。

三。拓宽视野（估计115小时）

如果你已经完成了最后一节，仍然渴望更多的知识，继续拓宽你的视野。阅读内容集中于教机器学习的广度——为算法试图实现的直觉（无论是视觉的还是数学的）建立直觉。

开始观看视频，参加Udacity的机器学习介绍（Sebastian Thrun和Katie Malone）。

通过Andrew Ng的Coursera机器学习课程。

你的下一步

到此为止，您将已经拥有AWS运行实例、数学基础和机器学习的总体视图。这是你决定要做什么的出发点。

你应该能够确定基于你的兴趣，你的下一步，无论是进入Kaggle比赛；做fast.ai两部分；潜水深入到数学和模式识别和机器学习的Christopher Bishop；给Andrew Ng的新deeplearning.ai课程Coursera；了解更多关于特定技术栈（TensorFlow，ScKIT学习，Keras，熊猫，NUMPY等）；或者应用机器学习来解决你自己的问题。

为什么我要推荐这些步骤和资源？

我没有资格写一篇关于机器学习的文章。我没有博士学位。我在大学里参加了一个统计班，这标志着我第一次真正理解“打架或逃跑”的反应。最重要的是，我的编码技巧是缺乏光泽的（在它们最好的时候，它们是堆栈溢出的反向工程代码块）。尽管我有很多缺点，但这篇文章必须由像我这样的普通人来写。

统计上来说，我们大多数人是平均的（AH，钟形曲线/高斯分布总是赶上我们）。因为我不受任何精英情绪的束缚，所以我可以和你在一起。下面包含了我对我所学的所有课程的一个高层次的总结，以及一个关于我如何开始学习机器学习的计划，如果我能从头开始。单击以扩展每个课程的完整版本，并附有注释。

深入研究机器学习课程：

出发

Jason Maye的机器学习101滑板：2年的头部撞击，所以你不必

{戈登}的ML}配方

谷歌用TysFraceAPI API的机器学习速成课程

OCDEVEL的机器学习指南播客

KGLE机器学习轨迹（第1课）

准备提交

Fast.ai（2的第1部分）

用SCIKIT学习和TunSoFoo:机械智能系统的概念、工具和技术

拓宽视野

Udacity：机器学习介绍（凯特/塞巴斯蒂安）

吴恩达的Coursera机器学习课程↓

额外的机器学习机会

IpulLRead机器学习指南

回顾谷歌博士

加州理工学院机器学习iTunes

Christopher Bishop的“模式识别与机器学习”

机器学习：开发人员和技术人员的手

用Python介绍机器学习：数据科学家指南

Udacity：乔治亚理工大学的机器学习

吴恩达的斯坦福iTunes↓机器学习

动机与启示

如果你想知道为什么我花了一年的时间做这件事，那么我就和你在一起。我真的不确定为什么我把目光放在这个项目上，更不用说为什么我会跟着它。我看到Mike King在机器学习上开了一个会。因为我对这个话题一无所知，所以我措手不及。它给了我一个讨厌的，贪得无厌的好奇心。它从一个过程开始，然后螺旋式失去控制。最终，它变成了一个想法：网络上最便宜和最受欢迎的机器学习资源的评论指南（通过一个完整的初学者的镜头）。希望你发现它有用，或者至少有点有趣。请在评论中分享你的想法或问题！