从去年开始，我一直在研究各种主题，以了解一些机器学习最重要的论文，例如

S. Hochreiter和J. Schmidhuber。（1997）。短期记忆长。神经计算，9（8），1735-1780。

但是，由于我没有任何数学背景，因此我开始学习诸如

• 结石
• 多元微积分
• 数学分析
• 线性代数
• 微分方程
• 实数分析（测度理论）
• 基本概率统计
• 数理统计

现在，我不能说我已经严格地研究了这些主题，但是我知道上面的主题想要处理什么。问题是我现在不知道该做什么。机器学习用于解决许多问题的领域很多，我不知道如何正确地利用它们。

例如，强化学习现在是最流行的主题之一，成千上万的研究人员正在进行他们的研究，以突破维度的诅咒。但是，作为将来要在IT公司工作的员工，办公桌上的任务并不是我期望的。

拥有自己的专业知识在这些领域中工作重要吗？如果是这样，我现在必须学习哪些科目？

为了您的方便，我想进一步了解Markov过程和Markov决策过程。

作为人工智能的硕士学位学生，我强烈建议您学习机器学习的一些基础知识。

为此，您可以自己尝试一些Kaggle竞赛来获得一本不错的书（《机器学习》，汤姆·米切尔，麦格劳·希尔，1997年），以了解理论和实践。

我建议使用Mitchell的书，因为他是该领域的专家，并且许多机器学习课程都使用他的书。您也可以在线关注他的视频讲座

在Kaggle上，您可以找到许多有用的教程（称为Notebook），以开始使用可用数据集。一些有关《泰坦尼克号挑战》的教程在这里

实际上，您不需要对这些主题进行严格的研究即可实现机器学习算法。在机器学习中，只需要严格地对待概率论。您可以在此处找到一系列非常好的概率论讲座：

概率概论-不确定性科学

另外，微积分的基础课程就足够了，对于基本的实现，您实际上不需要了解高级微积分，除非您想使用新的东西量身定制权重更新方案或神经网络。但是要了解微积分的知识，请查看可汗学院： 微积分

线性代数的一些基本思想就足够了，只是为了可视化事物并获得直觉。汗学院在这方面有很棒的课程，我建议您检查一下： 线性代数

因为对于编程语言，机器学习或神经网络最好在Python或R中实现，因为它们中的数据可视化和编程非常容易。

实施神经网络和机器学习的主要目的是练习，练习的次数越多，您就会获得更好的体验。您还将对自己在实践中所做的事情有一个直观的认识。仅阅读理论和理解概念对您没有帮助。您必须在现实生活中实施它。就书而言，您可以在这里查看我的答案：

已为该领域新手提供经验丰富的程序员的AI理论/工具/应用程序的专业资源？

我发现统计模型非常有帮助。但是，仅靠统计是不够的，您还需要在概率论上有非常扎实的背景。

首先学习python的基础知识。从贝叶定理开始，然后转到1）概率密度函数2）累积密度函数3）连续函数4）中心极限定理。

首先，快速了解我。我是一名预科生，毕业于生物物理学学位。经过一番努力和明智的决策，我现在是一名AI / ML软件工程师，拥有计算机科学硕士学位（机器学习专业）。

拥有自己的专业知识在这些领域中工作重要吗？

是的，绝对，但不一定在专业背景下。您无需受雇为机器学习软件工程师，但需要显示出对该领域的熟练程度。对于您问题的第二部分，这是一个很好的选择。

如果是这样，我现在必须学习哪些科目？

他们不是您应该关注的主题。机器学习是许多不同领域的结合，在深入学习更全面的实践之前仅专注于一个领域并不是很有效。相反，教程和练习才是游戏的名称。

• Youtube上的3Blue1Brown提供了很棒的教程，尤其是在神经网络上
• 可汗学院在数学教程方面是天赐之物。我想说，线性代数和概率/统计是最好的起点。但是最终也使用了多元微积分和微分方程。
• Udacity是一个很棒的教程网站，甚至提供“纳米学位”程序，以使您获得更多有关人工智能和机器学习的经验。如果您只想观看视频，则它是免费的。
• OpenAIGym是练习强化学习的好地方
• Kaggle提供了有关机器学习的出色教程，他们的竞赛提供了有监督/无监督学习的出色实践。

通过动手开发和实践补充您在理论和数学背景方面的发展，以获得最佳结果。您提到了对MDP的特别关注，Udacity教程和OpenAIGym都将通过它们很好地实践MDP。

如果您对硕士学位感兴趣，那么我不能推荐佐治亚理工学院的计算机科学在线硕士学位（OMSCS）。这是一次很棒的教育，并且（当我于2015年入学时）不需要GRE，仅需花费$ 8000.00

3个月学习机器学习

这是“3个月学习机器学习”课程此视频由斯拉吉拉瓦尔在Youtube

第1个月

第一周线性代数

https://www.youtube.com/watch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

第二周微积分

https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr

第三周概率

https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2

第四周算法

https://www.edx.org/course/algorithm-design-analysis-pennx-sd3x

第二个月

第一周

https://www.youtube.com/watch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU

https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D

https://www.youtube.com/watch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV

第二周

ML（Udacity）简介 https://eu.udacity.com/course/intro-to-machine-learning--ud120

第3-4周

ML项目构想 https://github.com/NirantK/awesome-project-ideas

第三个月（深度学习）

第一周

深度学习简介 https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

第二周

Fast.AI的深度学习 http://course.fast.ai/

第3-4周

从我的github https://github.com/llSourcell?tab=repositories重新实现DL项目

其他资源：
-ML人士可以在Twitter上关注