一種面向普通人的機器學習SEO技術
技術SEO高級SEO
如果你曾經對學習機器學習感到好奇，但卻被大量的信息所淹沒，你就來到了正確的崗位。Alexis Sanders與她分享了如何學習機器學習的指南，從A的觀點來闡述利弊。

機器學習（ML）在世界范圍內普遍存在。它的影響已經從微小的、看似無關緊要的勝利延伸到突破性的發現。SEO社區也不例外。機器學習的理解和直覺可以支持我們對谷歌工程師所面臨的挑戰和解決方案的理解，同時也能讓我們對ML更廣泛的含義敞開心扉。

獲得機器學習的一般理解的優點包括：

獲得工程師們的共鳴，他們最終試圖為用戶創造最好的結果。

了解機器解決的問題、當前的能力和科學家的目標

了解競爭生態系統和企業如何使用機器學習來驅動結果

準備自己為什么許多行業領袖給我們社會中的一個重大轉變（Andrew Ng指AI作為“新電力”）

了解在研究中經常出現的基本概念（這有助于我理解谷歌大腦研究中出現的某些概念）

成長為個人，擴展你的視野（你可能真的喜歡機器學習！）

當代碼工作和數據產生時，它是一種非常令人滿足的、賦權的感覺（即使它是一個非常微不足道的結果）。

我花了一年的時間學習網絡課程，閱讀書籍，學習學習（作為機器）。這篇文章是勞動的果實——它涵蓋了17種機器學習資源（包括在線課程、書籍、指南、會議演示等），包括最便宜和最受歡迎的網絡學習資源（通過一個完整的初學者的鏡頭）。我還補充了一個總結：“如果我重新開始，我將如何接近它。”

這篇文章不是關于學分或學位的。這是關于Joes和Joannas，他們對機器學習感興趣，他們想有效地利用他們的學習時間。這些資源大部分將消耗超過50小時的承諾。沒有人有時間去浪費一周的工作時間（尤其是在你個人時間完成的時候）。這里的目標是讓你找到最適合你學習風格的資源。我真誠地希望你發現這項研究有用，我鼓勵評論哪些材料證明是最有用的（特別是那些不包括在內）！人學機器學習

以下是我的建議：

1。出發（估計60小時）

從針對初學者的短內容開始。這將允許你以最少的時間承諾得到事情進展的要點。

提交三小時到Jason Maye的機器學習101幻燈片：2年的敲擊，所以你不必。

用Juh戈登YouTube播放列表，花兩個小時觀看谷歌的{ML}配方。

報名參加Sam DeBrule的機器學習通訊。

通過谷歌的機器學習速成課程工作。

開始聽OcDeVIEW的機器學習指南播客（跳過1, 3, 16，21，26）在你的汽車，鍛煉，和/或當使用手和眼睛的其他活動。

花兩天時間通過KGARLE的機器學習軌跡第1部分。

2。準備提交（估計80小時）

通過這一點，學習者可以理解他們的興趣水平。繼續專注于盡可能快地應用相關知識的內容。

每周工作10小時，持續7周。如果你有一個可以幫助你通過AWS安裝的朋友/指導者，絕對要依靠安裝中的任何支持（它是ML的100%個最壞的部分）。

用SCIKIT學習和TunSoFoo:掌握概念，工具和技術來構建智能系統，并立即閱讀前兩章。然后使用此作為FAST.AI課程的補充。

三。拓寬視野（估計115小時）

如果你已經完成了最后一節，仍然渴望更多的知識，繼續拓寬你的視野。閱讀內容集中于教機器學習的廣度——為算法試圖實現的直覺（無論是視覺的還是數學的）建立直覺。

開始觀看視頻，參加Udacity的機器學習介紹（Sebastian Thrun和Katie Malone）。

通過Andrew Ng的Coursera機器學習課程。

你的下一步

到此為止，您將已經擁有AWS運行實例、數學基礎和機器學習的總體視圖。這是你決定要做什么的出發點。

你應該能夠確定基于你的興趣，你的下一步，無論是進入Kaggle比賽；做fast.ai兩部分；潛水深入到數學和模式識別和機器學習的Christopher Bishop；給Andrew Ng的新deeplearning.ai課程Coursera；了解更多關于特定技術棧（TensorFlow，ScKIT學習，Keras，熊貓，NUMPY等）；或者應用機器學習來解決你自己的問題。

為什么我要推薦這些步驟和資源？

我沒有資格寫一篇關于機器學習的文章。我沒有博士學位。我在大學里參加了一個統計班，這標志著我第一次真正理解“打架或逃跑”的反應。最重要的是，我的編碼技巧是缺乏光澤的（在它們最好的時候，它們是堆棧溢出的反向工程代碼塊）。盡管我有很多缺點，但這篇文章必須由像我這樣的普通人來寫。

統計上來說，我們大多數人是平均的（AH，鐘形曲線/高斯分布總是趕上我們）。因為我不受任何精英情緒的束縛，所以我可以和你在一起。下面包含了我對我所學的所有課程的一個高層次的總結，以及一個關于我如何開始學習機器學習的計劃，如果我能從頭開始。單擊以擴展每個課程的完整版本，并附有注釋。

深入研究機器學習課程：

出發

Jason Maye的機器學習101滑板：2年的頭部撞擊，所以你不必

{戈登}的ML}配方

谷歌用TysFraceAPI API的機器學習速成課程

OCDEVEL的機器學習指南播客

KGLE機器學習軌跡（第1課）

準備提交

Fast.ai（2的第1部分）

用SCIKIT學習和TunSoFoo:機械智能系統的概念、工具和技術

拓寬視野

Udacity：機器學習介紹（凱特/塞巴斯蒂安）

吳恩達的Coursera機器學習課程↓

額外的機器學習機會

IpulLRead機器學習指南

回顧谷歌博士

加州理工學院機器學習iTunes

Christopher Bishop的“模式識別與機器學習”

機器學習：開發人員和技術人員的手

用Python介紹機器學習：數據科學家指南

Udacity：喬治亞理工大學的機器學習

吳恩達的斯坦福iTunes↓機器學習

動機與啟示

如果你想知道為什么我花了一年的時間做這件事，那么我就和你在一起。我真的不確定為什么我把目光放在這個項目上，更不用說為什么我會跟著它。我看到Mike King在機器學習上開了一個會。因為我對這個話題一無所知，所以我措手不及。它給了我一個討厭的，貪得無厭的好奇心。它從一個過程開始，然后螺旋式失去控制。最終，它變成了一個想法：網絡上最便宜和最受歡迎的機器學習資源的評論指南（通過一個完整的初學者的鏡頭）。希望你發現它有用，或者至少有點有趣。請在評論中分享你的想法或問題！