昨年から、次のような機械学習の最も重要な論文を理解するために、さまざまな科目を研究しています。

S. Hochreiter、J。Schmidhuber。（1997）。長期短期記憶。Neural Computation、9（8）、1735-1780。

しかし、私には数学的なバックグラウンドがないため、次のような科目を学び始めました

• 微積分
• 多変量計算
• 数学的分析
• 線形代数
• 微分方程式
• Real Anaylsis（測定理論）
• 初等確率と統計
• 数学的統計

今のところ、これらの科目を徹底的に研究したとは言えませんが、上記の科目をどのように処理したいのかはわかっています。現時点では、何をしなければならないのかわかりません。機械学習が多くの問題を解決するために使用する多くの主題があり、それらを正しく利用する方法がわかりません。

たとえば、強化学習は今や最も人気のあるトピックの1つであり、数十万人の研究者が現在、次元の呪いを突破するために研究を行っています。しかし、IT企業で働く将来の従業員として、机の上の仕事は私が行うことを期待したものではないでしょう。

自分の専門知識を持って現場で働くことは重要ですか？もしそうなら、私は今どんな種類の科目を勉強しなければなりませんか？

便宜上、マルコフプロセスとマルコフ決定プロセスについて詳しく知りたいと思います。

人工知能の修士号を取得しているため、機械学習の基本を学ぶことを強くお勧めします。

そのためには、理論と実践についての優れた本（機械学習、トムミッチェル、マッグロウヒル、1997年）を入手し、自分でKaggleのコンテストに参加してみてください。

私はミッチェルの本を提案しました。彼はその分野の専門家であり、多くの機械学習コースが彼の本を使用しているからです。彼のビデオ講義をオンラインでフォローすることもできます

Kaggleでは、利用可能なデータセットの操作を開始するための便利なチュートリアル（ノートブックという名前）を多数見つけることができます。タイタニックチャレンジに関するチュートリアルはこちら

実際、機械学習アルゴリズムを実装するために、これらの科目を厳密に調査する必要はありません。機械学習では、確率論だけを厳密に扱う必要があります。確率論の非常に優れた一連の講義をここで見つけることができます：

確率入門-不確実性の科学

また、微積分学の基本コースで十分です。基本的な実装では、オーダーメードの重み更新スキーマまたは何か新しいニューラルネットを作成する場合を除き、高レベルの微積分を理解する必要はありません。しかし、微積分についての直感を得るには、カーンアカデミーを調べてください： 微積分

線形代数のいくつかの基本的な考え方は、物事を視覚化して直感を得るためだけで十分です。カーンアカデミーはこれについて素晴らしいコースを持っています、私はそれをチェックすることをお勧めします： 線形代数

プログラミング言語では、データの視覚化とプログラミングが非常に簡単であるため、機械学習またはNEural NetsはPythonまたはRで実装するのが最適です。

ニューラルネットと機械学習の実装に関する主なことは練習であり、練習すればするほど、上手になります。また、練習で何をしているのか直感的に理解できます。理論を読んで、概念を理解するだけでは役に立ちません。あなたは実際にそれを実装する必要があります。本に関する限り、ここで私の答えを見ることができます：

分野に新しい経験豊富なプログラマーのためのAI理論/ツール/アプリケーションの定評のあるソース？

統計モデルは非常に役に立ちました。ただし、統計だけでは十分ではなく、確率論の非常に確かな背景も必要です。

最初にpythonの基本を学びます。まず、ベイの定理から始めて、1）確率密度関数2）累積密度関数3）連続関数4）中心極限定理に進みます。

まず、簡単な背景を説明します。私は生物物理学の学位を取得して卒業している医学生でした。いくつかのハードワークと賢明な意思決定の後、私は現在、コンピューターサイエンス（機械学習の専門）の修士号を持つAI / MLソフトウェアエンジニアになっています。

自分の専門知識を持って現場で働くことは重要ですか？

はい、もちろんですが、必ずしも専門家のコンテキストではありません。機械学習ソフトウェアエンジニアとして採用されている必要はありませんが、現場での熟練度を示す必要があります。これはあなたの質問の第2部の素晴らしいセグエです...

もしそうなら、私は今どんな種類の科目を勉強しなければなりませんか？

彼らはあなたがあなたの焦点を当てるべきである一つの主題ではありません。機械学習は多くの異なる分野の組み合わせであり、より徹底的な実践に進む前に1つだけに集中するのはあまり効率的ではありません。代わりに、チュートリアルと練習がゲームの名前です。

• Youtubeの3Blue1Brownは、特にニューラルネットに関するすばらしいチュートリアルを提供します
• カーンアカデミーは、数学のチュートリアルに関しては天の恵みです。線形代数と確率/統計は、最初から始めるのが最善だと思います。しかし、多変数計算と微分方程式も最終的に使用されます。
• Udacityは、人工知能と機械学習の実践体験をさらに充実させる「ナノ度」プログラムを提供する素晴らしいチュートリアルサイトです。動画を見たいだけなら無料です。
• OpenAIGymは強化学習を実践するのに最適な場所です
• Kaggleには機械学習に関する優れたチュートリアルがあり、彼らのコンテストは教師あり/教師なし学習で優れた練習を提供します。

理論と数学の背景での開発を実践的な開発と実践で補完し、最良の結果を達成します。UdacityチュートリアルとOpenAIGymの両方が優れた練習をするMDPに特に焦点を当てているとおっしゃっています。

修士号に興味がある場合は、ジョージア工科大学のコンピューターサイエンス（OMSCS）のオンラインマスターを十分にお勧めすることはできません。それは素晴らしい教育であり、（2015年に在籍したとき）GREは不要で、費用は約8000.00ドルでした。

3か月で機械学習を学ぶ

これは、「3か月で機械学習を学ぶ」のカリキュラムです。YouTubeのSiraj Ravalによるこのビデオ

月1

第1週線形代数

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2週微積分

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

第3週の確率

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

第4週のアルゴリズム

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

月2

1週目

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2週

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

第3〜4週

MLプロジェクトのアイデア https://github.com/NirantK/awesome-project-ideas

3か月目（ディープラーニング）

1週目

ディープラーニングの 概要https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

第2週

Fast.AIによるディープラーニング http://course.fast.ai/

第3〜4週

githubからDLプロジェクトを再実装する https://github.com/llSourcell?tab=repositories

追加リソース：
-MLの人がTwitterでフォローする