无论是AlphaGo，Master的围棋博弈，到Google，Uber的自动驾驶，人工智能，机器学习这样词汇已经充斥了我们的生活，那么讨论了这么多，大家的兴趣都被高高的吊起，正当想要蠢蠢欲动时，问题来了，怎么入门呢，从哪里开始呢，先学习Python写写代码？还是抱着人工智能的要压垮了书架般的著作啃一啃？还是要先学学数学压压惊？实在不行。。。去github上找找学习资源列表？附上经典资源合集🙄
上面的GitHub资源链接是很经典，但实在过于繁杂，对入门者十分不友好，对于知乎上的相关问题的答案也走向过长或过短的极端，最近工作室招了不少想要学机器学习的学弟们，周围也有朋友要学习相关方面的知识，虽然我现在也是小白，但还是走过点弯路有些经验和大家分享的，于是我决定写一个简明，友好的入门资源教程，与大家共同学习。
深度强化学习可以说是人工智能领域现在最热门的方向，吸引了众多该领域优秀的科学家去发掘其能力极限。也是作者准备学习的方向。
以下展示了从机器学习大领域深入到深度强化学习细分领域的路线图：
|==> 神经网络 ==> 深度学习 |
机器学习基础 ==>| |==> 深度强化学习
|==> 强化学习 |
下面介绍相应的学习顺序：
1.机器学习基础
机器学习中有数不清的方法和算法，但对于机器学习本身而言，算法有时候就想一个黑盒子，输入数据A，经过黑盒子，输出数据B就好了。但在黑盒子之外其实也有很多要学习的东西，最简单的比如如何将数据集有效划分为训练集和测试集，所以这些需要我们了解和学习。入门当然要越简单有趣越好，所以主推视频，Andrew Ng的机器学习入门课就很好，依据自己情况选其下一个就好：
网易云课堂版（斯坦福大学慕课，时间较长，视频质量较差，但课程覆盖更广）；
Coursera版(每学期都开课，有动手的习题，而且可以提交很方便，课程很清晰也很好，数学知识更浅显)
此外，Coursera，优达学城是很好的online学习机器学习的网站，推荐。
看完以上的基础，差不多就会对机器学习这个领域有了基本的了解，同时学习到了很多基础经典的算法，知道了机器学习的大致步骤，接下来就可以继续了。
2.python实战
学了很多经典的机器学习算法可能还是不如实战一个来的更痛快吧
首先，介绍一个网站Kaggle，Kaggle是一个数据建模和数据分析竞赛平台，里面提供了相应的题目，对照的模型和数据，方便我们去实战。
里面的Competitions中有具体的代码和教程，可以选择Python或R等去实现。
对于python而言。开始时了解下面几个库是是十分必要的：
入门和传统机器学习算法库：
- SciPy
- NumPy
- Pandas
-
Scikit-learn
进阶和神经网络库： - keras
- Tensorflow
上面的库大家可以进github去看看它的介绍，比我介绍的会更好更详细些。
3.神经网络和深度学习基础
神经网络是机器学习众多算法和模型中的一种，也是近年来很多机器学习问题上表现最好的一种。当神经网络层数很多时就变成了深度学习。所使用的视频用来快速的入门，书籍和论文则用来查阅和进一步学习。
视频选一个就好：
Coursera Neural Network；
CS231n Convolutional Neural Networks for Visual Recognition主要讲卷积神经网络和计算机视觉相关；
书籍：
deeplearningbook非常新非常好的一本深度学习的开源著作。
4.强化学习
强化学习是独立在监督学习和非监督学习外的，从外界交互中学习并最大化Rewards从而做出最优动作的一种机器学习途径。
视频：
David Silver讲义
David Silver视频youtube
David的这个视频很好，但无英文字幕，更无中文字幕，所以可能有点难理解，所以推荐一个未知名的github的博客总结，每节课都是对应笔记chenrudan。
之前推荐的Andrew Ng老师的网易版课程中的后面几集中也涉及了强化学习，讲的更易于理解一些，而且主要的点都讲到了，可以入门了。
优达学城有一个强化学习的视频，但我自己没看过，大家去搜下Reinforcement learnging。
书籍：
Reinforcement Learning: An Introduction
5.深度强化学习
深度强化学习主要融合了深度学习和强化学习的很多思想和算法，属于目前快速发展的领域，相关的资源非常少，不过顶尖的大学还是开了这门课，比如.....Berkeley，
Deep Reinforcement learning
以上就是我这个阶段的分享，这已经足够拯救大家好长一段本该会浪费的时间了，希望与大家共同进步😉
