一種面向普通人的機器學習SEO技術(shù)
技術(shù)SEO高級SEO
如果你曾經(jīng)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(nèi)普遍存在。它的影響已經(jīng)從微小的、看似無關(guān)緊要的勝利延伸到突破性的發(fā)現(xiàn)。SEO社區(qū)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(zhàn)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(yōu)點包括：

獲得工程師們的共鳴，他們最終試圖為用戶創(chuàng)造最好的結(jié)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(tài)系統(tǒng)和企業(yè)如何使用機器學習來驅(qū)動結(jié)果

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

了解在研究中經(jīng)常出現(xiàn)的基本概念（這有助于我理解谷歌大腦研究中出現(xiàn)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?。?/p>

當代碼工作和數(shù)據(jù)產(chǎn)生時，它是一種非常令人滿足的、賦權(quán)的感覺（即使它是一個非常微不足道的結(jié)果）。

我花了一年的時間學習網(wǎng)絡(luò)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(wǎng)絡(luò)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(jié)：“如果我重新開始，我將如何接近它。”

這篇文章不是關(guān)于學分或?qū)W位的。這是關(guān)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(fā)現(xiàn)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(nèi)）！人學機器學習

以下是我的建議：

1。出發(fā)（估計60小時）

從針對初學者的短內(nèi)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(xù)專注于盡可能快地應(yīng)用相關(guān)知識的內(nèi)容。

每周工作10小時，持續(xù)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(shù)來構(gòu)建智能系統(tǒng)，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(jīng)完成了最后一節(jié)，仍然渴望更多的知識，繼續(xù)拓寬你的視野。閱讀內(nèi)容集中于教機器學習的廣度——為算法試圖實現(xiàn)的直覺（無論是視覺的還是數(shù)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(jīng)擁有AWS運行實例、數(shù)學基礎(chǔ)和機器學習的總體視圖。這是你決定要做什么的出發(fā)點。

你應(yīng)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(shù)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(guān)于特定技術(shù)棧（TensorFlow，ScKIT學習，Keras，熊貓，NUMPY等）；或者應(yīng)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(guān)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(tǒng)計班，這標志著我第一次真正理解“打架或逃跑”的反應(yīng)。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(tǒng)計上來說，我們大多數(shù)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(jié)，以及一個關(guān)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(fā)

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(tǒng)的概念、工具和技術(shù)

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(fā)人員和技術(shù)人員的手

用Python介紹機器學習：數(shù)據(jù)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(wǎng)絡(luò)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(fā)現(xiàn)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！