▌本文取自 Medium,由作者邱國欣授權《行銷人》編輯、刊登。
學習貴精不貴多,推薦幾個機器學習資源 & 公眾號文章。
身處資料爆炸的年代,要學任何事物已經沒有「學不到」的問題,只有「怎麼學才最有效、最適合自己」的問題。資料分析的話,網上也可以查到不少吸引眼球的內容,例如「3 週學會數據分析」,或是「史上最全的數據分析學習資源」。
當然,我很感謝這些文章提供的內容,減少了搜尋成本,但不免也有遇到濫竽充數的情況。我認為能夠吸收內化才是自己的,貴精不貴多。因此這邊只推薦幾個自己學習過程中,真的覺很不錯的資源。
在職場上,提升自己競爭力的方法不外乎更熟練的應用以及更廣泛的知識及看法。針對這兩個目的,推薦的第一個部分是機器學習,第二個是常看的微信公眾號文章。
一、機器學習
機器學習應該是目前資料分析的內容中,最被人所熟悉的。在商業的場景中,個性化推薦、導購、用戶流失/續約模型等都是算法的應用。
吳恩達的史丹佛_CS229
網易公開課的資源,有中英文字幕,一共 20 集,每一集約 1 小時。學習這門課你需要有稍微強的線性代數及統計學基礎。
吳恩達不愧是機器學習的大師,課程相當啟發思考,例如在過程中你可能會想到「模型對訓練集的擬合是越高越好嗎?」或是「分類問題只能切一刀分兩類嗎?」的延伸問題。
內容也很有架構,以前幾堂課來說,先介绍兩個基本回歸,其中線性迴歸有若干解法。再介绍這兩個回歸的一般化,即 GLM 的特例。更進一步,說明生成學習算法跟 GML 各有千秋,然後介绍 Naive Bayes。開始講非線性分類器,課程非常環環相扣。
另外推薦兩個前人的 github,在這裡可以下載到課件的講義以及整理過的筆記:
.Coursera-ML-AndrewNg-Notes
.Stanford-CS-229-CN
吳恩達在 Coursera 也有開課(Machine Learning | Coursera),這門課可以說是許多人在機器學習的啟蒙課程,難度低於 CS-229。總共有 8 萬人給出了評分,平均得分 4.9 分(滿分 5 分)。
大部分 Coursera 上的課程評分處於 4 – 4.5 分之間,能做到 4.9 分的課程寥寥無幾 . . .
▌前人的筆記
▌Stanford Machine Learning
Google MLCC
Google 企業內部員工訓練課程。 MLCC 課程約 15 小時,包括互動課程、研究人員講座以及 40 多個操作練習,當然也會在裡面推廣 TensorFlow。
除了中英文字幕外,還有中文發音,但很恐怖還是聽英文的就好。此課程目的是讓一般人都可以學習 ML,相對吳恩達的課程,內容親切、操作性高。
二、微信公眾號
微信公眾號有點像臉書的粉絲頁,但又有點像封閉的 Medium,相較 Facebook 查看過往文章的體驗更好。
關注的公眾號有新的文章發布的話,會自動推送,我通常會快速瀏覽一下,如果內容有幫助的話先加到收藏,到週末把這一週收藏的內容好好看一遍,再分類整理到記事本。
透過這些公眾號的優質的內容,可以學到代碼、可以掌握市場變化,可以了解他人的經驗。
▌饅頭商學院:有許多產品、營運、行銷類型的內容及案例。
▌一個程序員的日常:個人作者,用數據講故事,分享程序員的感悟,我自己定位成輕鬆小品,內容都滿有趣的。
▌R 語言中文社區:中國最大的 R 語言學習平台。
▌人工智能愛好者社區:機器學習的理論、案例及代碼都有,也包含 python、R、kaggle 等。
▌CSDN:全球最大中文 IT 社區,有相關的時事內容,也有職場相關及技術相關。
▌36氪:中國領先的科技媒體,報導最新的互聯網科技及新聞。
最後
1. 數據分析是一個不斷發展的領域,已經在應用的公司想探索更新的技術,尚未應用的公司想要導入到企業。裡面有太多太多的學問,不論軟知識或硬實力。這個探索的過程有時想想還挺累的,但也是因此才有趣。
2. 每本書都不可能面面俱到,即便我認為上述的資源可以 cover 大部分,還是要持續學習,藉由扎實的基礎慢慢把知識做更深入、一點一滴的補充。
3. 最近感覺自律的程度可是說是影響進步多寡的最高參數。除了少數天才外,大多數人的資質都是差不多太多,看到許多人這麼厲害,其背後所付出的努力、以及非常自律的照自己的進度去學習,持續的進步,才是能力的分界線。
首圖來源:Pexels
延伸閱讀:
風光 8 年的耶誕城是怎樣煉成的?專訪新北市觀光局科長章世政
簡報被嫌沒重點?用「SCQA 架構」提高邏輯力,開門見山就能說服老闆
數位轉型容易死在哪?注意 4 原因,「無效率流程」導致失敗
作者資訊
- 歡迎成為《行銷人》合作夥伴,若有任何文章授權、尋求報導及投稿的需求,歡迎來信:[email protected]