第壹步：復習線性代數。（學渣的線代忘了好多-_-||）
懶得看書就直接用了著名的——麻省理工公開課：線性代數，深入淺出效果拔群，以後會用到的SVD、希爾伯特空間等都有介紹；
廣告：邊看邊總結了壹套筆記 GitHub - zlotus/notes-linear-algebra: 線性代數筆記。
第二步：入門機器學習算法。
還是因為比較懶，也就直接用了著名的——斯坦福大學公開課 ：機器學習課程，吳恩達教授的老版cs229的視頻，講的非常細（算法的目標->數學推演->偽代碼）。這套教程唯壹的缺點在於沒有介紹最近大火的神經網絡，但其實這也算是優點，讓我明白了算法都有各自的應用領域，並不是所有問題都需要用神經網絡來解決；
多說壹點，這個課程裏詳細介紹的內容有：壹般線性模型、高斯系列模型、SVM理論及實現、聚類算法以及EM算法的各種相關應用、PCA/ICA、學習理論、馬爾可夫系列模型。課堂筆記在：CS 229: Machine Learning (Course handouts)，同樣非常詳細。
廣告：邊看邊總結了壹套筆記 GitHub - zlotus/notes-LSJU-machine-learning: 機器學習筆記
第三步：嘗試用代碼實現算法。
依然因為比較懶，繼續直接使用了著名的——機器學習 | Coursera ，還是吳恩達教授的課程，只不過這個是極簡版的cs229，幾乎就是教怎麽在matlab裏快速實現壹個模型（這套教程裏有神經網絡基本概念及實現）。這套課程的缺點是難度比較低，推導過程非常簡略，但是這也是它的優點——讓我專註於把理論轉化成代碼。
廣告：作業參考 GitHub - zlotus/Coursera_Machine_Learning_Exercises: Machine Learning by Andrew Ng from Coursera
第四步：自己實現功能完整的模型——進行中。
還是因為比較懶，搜到了cs231n的課程視頻 CS231n Winter 2016 - YouTube ，李飛飛教授的課，主講還有Andrej Karpathy和Justin Johnson，主要介紹卷積神經網絡在圖像識別/機器視覺領域的應用（前面神經網絡的代碼沒寫夠？這門課包妳嗨到爆~到處都是從零手寫~）。這門課程的作業就更貼心了，直接用Jupyter Notebook布置的，可以本地運行並自己檢查錯誤。主要使用Python以及Python系列的科學計算庫（Scipy/Numpy/Matplotlib）。課堂筆記的翻譯可以參考 智能單元 - 知乎專欄，主要由知友杜客翻譯，寫的非常好~
在多說壹點，這門課對程序員來說比較走心，因為這個不像上壹步中用matlab實現的作業那樣偏向算法和模型，這門課用Python實現的模型同時註重軟件工程，包括常見的封裝layer的forward/backward、自定義組合layer、如何將layer組成網絡、如何在網絡中集成batch-normalization及dropout等功能、如何在復雜模型下做梯度檢查等等；最後壹個作業中還有手動實現RNN及其基友LSTM、編寫有助於調試的CNN可視化功能、Google的DeepDream等等。（做完作業基本就可以看懂現在流行的各種圖片風格變換程序了，如 cysmith/neural-style-tf）另外，這門課的作業實現非常推崇computational graph，不知道是不是我的幻覺……要註意的是講師A.K的語速奇快無比，好在YouTube有自動生成解說詞的功能，準確率還不錯，可以當字幕看。
廣告：作業參考 GitHub - zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (winter 2016) （我的在作業的notebook上加了壹些推導演算哦~可以用來參考:D）