不重要之交代：因為這兩天在台南抓寶可夢，所以出刊的比較晚，來抓寶可夢的外國人也好多呀～

如果你跟我一樣追尋著 Data Scientist 的目標，你大概有看過這張圖：

圖片來源：http://nirvacana.com/thoughts/2013/07/08/becoming-a-data-scientist/

這張是 Swami Chandrasekaran 在 2013 年所寫的「Becoming a Data Scientist – Curriculum via Metromap」一文中的學習路線圖。他繪製十條幹線，分別是：

• Fundamentals
• Statistics
• Programming
• Machine Learning
• Text Mining / Natural Language Processing
• Data Visualization
• Big Data
• Data Ingestion
• Data Munging
• Toolbox

當然這些幹線不一定是絕對，但對於剛開始你該怎麼進行學習是有指引效果的。

一路走來，深感在學習的過程得益於網路太多，這一篇將整理機器學習相關資源，挑出我過去學過且推薦的網路資源，期許在某個時刻能引領你走出迷霧。如果各位有其他推薦的教學資源也請不吝於留言分享，非常感謝！

1. Andrew Wu － Machine Learning

   • 這是我第一個看的 Machine Learning 課程，想必就不用我介紹 Andrew Wu 大大了。
   • 推薦原因：大師開的經典教學，不跟可惜！

2. Stanford University － Statistical Learning

   • 免費學習資源，要開始進行課程前須先進行註冊。
   • 推薦原因：從中獲得很紮實的統計知識以及應用。我讀完後的一兩年，這些知識仍給我實務上許多幫助，近期若有多得時間希望能再重溫一遍。
     
   • 給還沒註冊的同學們一覽註冊後的學習介面：
     

3. 李宏毅 － Machine Learning

   • 推薦原因：如果你對英文有一點點害怕，不用擔心，台大李宏毅老師的生動教學會讓你笑著學習機器學習。
   • 李宏毅老師看的動畫數量大概比我多。

4. 林軒田 － 機器學習基石

   • 課程主題：什麼時候可以用到 ML？為什麼 ML 可以用？怎麼用 ML？怎麼樣讓 ML 學得更好。
   • 推薦原因：介紹機器學習的哲學思想、數學工具、演算法設計。

5. 林軒田 － 機器學習技法

   • 如果你自認內功還不夠深厚，強烈建議先看完林軒田老師的機器學習基石再上機器學習技法。
   • 推薦原因：為機器學習的進階內容，介紹很多厲害的機器學習方法。

6. Udemy － Machine Learning A-Z™: Hands-On Python & R In Data Science

   • 為付費課程
   • 推薦原因：提供 Python 與 R 在機器學習上的實作演練。

7. Stanford University － CS231n: Convolutional Neural Networks for Visual Recognition

   • 李飛飛老師所開設的著名課程
   • 推薦原因：如果你跟我一樣很喜歡 CNN，那我只能說，千萬別錯過了這門課程，你會收穫滿滿。

8. Stanford University － CS224d: Deep Learning for Natural Language Processing

   • Richard Socher 所開的 NLP 課程，聚焦在深度學習上。
   • 推薦原因：推薦給有志在 NLP 領域深耕者，其教學內容會隨著新技術出現而更新。

目前先列出我想到的網路資源，學習過程永無止盡，本文內容將會不定期更新～