请收好这份机器学习保姆级学习路线

1. 【算法岗必看】机器学习高频面试题汇总

2. 【算法岗必看】深度学习高频面试真题

3. 机器学习高频知识点-模型参数估计方法

4. 机器学习高频知识点-L1和L2正则化的区别

但鬼仔的这几篇笔记太零散了，想到哪写到哪，不利于同学们系统性地进行学习和准备算法岗的知识。在算法岗面试中，常常会考察机器学习和深度学习里面的一些基础知识，这部分可能会问的比较广，需要同学们系统地学习和掌握。

鬼仔在大学期间（本科+研究生）看了十几本有关机器学习和深度学习的书籍，也整理了不少笔记。好记性不如烂笔头，看书很重要，总结和整理也同样重要。有的问题你可能理解了，但是在实际面试中表达出来没那么专业，或者错漏一些细节，因此而被扣分就太可惜了。

机器学习保姆级学习路线

一、机器学习理论知识

理论知识主要分为了三个章节：经典统计学习、深度学习和强化学习。每个章节力求由浅入深，关注重要知识点，以及对应的高频面试题。

Part1：经典统计学习

经典统计学习包括监督学习、非监督学习和弱监督学习三大类，这章主要会介绍整个机器学习的一些基础概念，以及一系列传统的机器学习算法。很多目标算法岗的同学可能会对这一部分有所疏漏，觉得这些算法都很简单，而且老掉牙了，不屑一顾；也有一些非科班的同学是直接跳过经典的统计学习，直接学的深度学习，最后有些人还确实拿到了算法岗offer。

但鬼仔认为这是一种不正确的学习路线，统计学习就像是机器学习大厦的基石，深度学习和强化学习则属于上层建筑。很多算法岗的面试中，面试官都会特意考察这部分的内容，当然如果你的简历足够优秀，发表了一些顶会论文，面试可能就只会问论文创新点。但出来混，迟早要还的。在实际工作中，会面对各种复杂非结构化的现实数据，这个时候往往就会考验你的算法功底，只会深度学习并不能完全解决问题。

Part2：深度学习

深度学习作为机器学习的一个重要分支，有着更加强大的泛化能力。在大数据时代，传统机器学习算法学习能力有限，数据量的增加并不能持续增加学到的知识总量，而深度学习系统可以通过更多的训练数据来提升性能，即“可获得更多经验”。

本章节主要介绍各种网络结构，包括CNN，RNN，GAN，GNN和transformer，接着再介绍常用的网络优化及正则化方法，最后再介绍迁移学习，这里会涉及一些大规模的预训练模型和蒸馏方法。

Part3：强化学习

强化学习同样是机器学习大家族中的一大类，AlphaGo击败中国世界围棋冠军柯洁让AI名声大噪，其背后原理就是强化学习。这个章节主要介绍强化学习常用的求解方法和经典的模型算法，最后阐述其实际的应用场景，即为什么需要强化学习。

二、机器学习实践应用

计算机是实践的科学，当我们掌握了机器学习的理论知识后，就要想办法把它应用到实际场景中解决真实的问题。

这份学习路线中的第二大部分——机器学习实践应用，鬼仔其实还没有特别想清楚具体应该怎么写，因为这一部分写起来难度很大，你需要了解nlp，cv，data mining等多个领域。不过鬼仔恰好都接触过这几个领域，虽算不上精通，但还是可以尽力写个入门级的教程。这得益于鬼仔研究生期间（偷偷）去过多家公司实习，现在又在做多模态的工作，涉及到的技术会比较宽泛。

鬼仔初步规划会将机器学习实践应用划分为6个部分，分别是：

总结

在本文鬼仔主要给大家从宏观的角度分享机器学习领域的研究重点，包括理论知识和实际应用两大模块，而子模块分享的比较粗糙，这是因为每一个子模块是无法只用一篇或两篇文章就能够讲清楚的，涉及到一些细节方面的分享，鬼仔都会在后面【机器学习】专题系列里面进行一一地分享。

鬼仔的目的也很简单，就是希望一篇文章能够将一个知识点讲透、讲深，也希望读者能从鬼仔的文章中有所收获。大家记得关注鬼仔，避免错过更新！

PS：原创文章，未经本人同意禁止转载，侵权必究。