机器学习入门教程分享

点击量:653

经常会在一些社区类网站看到有人问如何入门和学习机器学习,于是,我在这里分享一些我学习机器学习这一段时间以来收集的各类比较好的教程。

我过滤掉了一些没什么用的教程和资料,因为那些确实没有用,而且看起来太多太繁琐,人的精力有限,只要能把这些资料看完,就已经可以变得很厉害了。

引用知乎上某个人的话:“任何列书单和在线视频超过10条的,基本都是混子。列了几十本书和几百小时在线视频的人,大部分自己连1/10都没看完过。”我在这里列的教程,大部分我亲自都看过一遍,没怎么看的也都看了介绍,或者是我身边认识的人看过,感觉很不错。

不论你是什么专业,不论你的现在的职业是什么,通过这些教程的学习,你都可以成为机器学习方面的大牛。

 

数学知识方面:

别慌,数学知识是关键的基础!

首先,高数是一定要学的,这是做机器学习要用到的最基础的数学知识(微积分),然后还需要学习线性代数,也是数学知识(矩阵),大学数学中还有一门是“概率论与数理统计”,也是机器学习中会用到的数学知识。 这些知识自学的话,可能是挺困难的(对于绝大多数人来说),所以我推荐一个mooc平台:

中国大学MOOC(慕课)_最好的在线课程学习平台

在上面搜上述数学类课程,数量很多,可任意挑选。我当时就是在这里学了一遍之后,考试都成绩还不错。而且,其他的任意课程你也可以在上面搜索到然后学习。

深入的数学知识还有:数值优化、概率图、随机过程等。

 

机器学习入门课程:

在coursera上找吴恩达(Andrew Ng)教授的机器学习课程,他把要用到的数学知识也做了简单的讲解,机器学习方面的理论和算法讲的也很详细,而且很基础,肯定可以看懂。https://www.coursera.org/learn/machine-learning

网易公开课中也有吴恩达的另一种机器学习课程

斯坦福大学公开课 :机器学习课程

还有这个 加州理工学院公开课:机器学习与数据挖掘_全18集_网易公开课

coursera上University of Washington的Machine Learning Specialization系列:

Machine Learning – University of Washington | Coursera

更进一步学习机器学习的理论,加州理工的Learning From Data:

Learning From Data – Online Course (MOOC)

 

深入的课程:

=====2017-09-01更新=====

非常推荐吴恩达大大的deep learning课程,一如既往的棒!大家感兴趣的非常推荐去看看:

网易云课堂: http://mooc.study.163.com/smartSpec/detail/1001319001.htm

Coursera: https://www.coursera.org/specializations/deep-learning

========================

斯坦福大学在线课程网站:

Courses | ONLINE

各类机器学习课程:

机器学习: Machine Learning

cs229: Machine Learning

CS224d: Deep Learning for Natural Language Processing

CS231n: Convolutional Neural Networks for Visual Recognition

 

其次,如果有精力的话,我还推荐学一下“离散数学”,对于计算机方面的理解是很有好处的。至于这个,也有一个mooc,不过在coursera上有北京大学的“离散数学概论”课程: https://www.coursera.org/learn/dmathgen

 

书籍:

《机器学习》周志华 清华大学出版社

《解析深度学习——语音识别实践》电子工业出版社

《数学之美》吴军 人民邮电出版社

《统计学习方法》李航 清华大学出版社

《Pattern Recognition and Machine Learning》

初学者慎重考虑读它,这本PRML书适合有了基础之后,深入地学习时,再看。在亚马逊可以买到英文原版书,不过相当的贵,国内有影印版,比较便宜,当然也有中文版的。

 

互联网教程:

Google出的的机器学习工程指南:

Rules of Machine Learning: Best Practices for ML Engineering

http://martin.zinkevich.org/rules_of_ml/rules_of_ml.pdf

Python Machine Learning的Github,里面有所有章节的IPython Notebook:

rasbt/python-machine-learning-book: The Python Machine Learning book code repository and info resource

 

终极教程:

论文!一定是论文!而且不仅仅是中文论文,更重要的是英文论文!国际顶级会议和期刊的是最好的。

 

编程方面:

建议使用Matlab和Python来做机器学习,编程方面的资料很多,我就不一一列举了。

 

小技巧:

善用搜索引擎,比如谷歌、必应和百度,尤其是谷歌。

 

最后,我还有一个建议是写博客,像我一样:AI柠檬 – 一个科技爱好者的个人博客

把你自己学到的数学知识、计算机知识和机器学习知识都写下来,一个是自己记录,另外也是跟别人分享,帮助别人学习和进步,互相探讨,别人还能帮你挑出错误,有助于你的成长,也欢迎喜好机器学习方面的同好来我博客交流。 n(*≧▽≦*)n

放一些我博客上一点机器学习方面的文章吧,供大家参考。

某技术讲座:机器学习基础入门 | AI柠檬

机器学习:统计回归模型 | AI柠檬

机器学习:对数几率回归-1 | AI柠檬

机器学习:对数几率回归-2 | AI柠檬

机器学习:过拟合与欠拟合问题 | AI柠檬

机器学习:神经网络模型 | AI柠檬

 

注:文本最初发布在知乎的一个问题的回答中,由于大家都觉得不错,我决定再加工整理一下,发到博客。

打赏作者
很喜欢这篇文章,赞赏一下作者,以激励其创作出更多好文!

您的支持将鼓励我们继续创作!

[微信] 扫描二维码打赏

[支付宝] 扫描二维码打赏

分享到社交网络:

发表评论

电子邮件地址不会被公开。 必填项已用*标注