ml handout

做者：Leon
连接：https://www.zhihu.com/question/20691338/answer/102249162
来源：知乎
著做权归做者全部。商业转载请联系做者得到受权，非商业转载请注明出处。

我看到有人在问，Andrew Ng的视频，还有代码这些的资料。再次整理一下：

一、机器学习实战的书：《机器学习实战 (图灵程序设计丛书 72)》 [美]Peter Harrington, 李锐, 李鹏, 曲亚东, 王斌 书评 简介 电子书下载 Kindle电子书

二、Andrew Ng老师的视频教程：Machine Learning:斯坦福大学机器学习我的笔记完整版（附全部视频和字幕） （如今Andrew Ng老师没开新课了，这是一个同窗本身下载的全部视频和相关资料，你们能够自行下载）

三、Andrew Ng老师早期的一个机器学习公开课：斯坦福大学公开课 ：机器学习课程

四、Andrew Ng老师机器学习课的代码。Python版本：icrtiou/Coursera-ML-AndrewNg

Matlab版本：vugsus/coursera-machine-learning

 

另外，鉴于如今深度学习这么的火热，并且如今作机器学习也避免不了了解及应用深度学习，我这里也加入一些深度学习的内容。

一、入门的数学和编程基础和机器学习的要求是同样的。

二、入门读物仍是推荐Andrew Ng老师组织的一个WIKI，UFLDL Tutorial - Ufldl ， 很是建议你们老老实实花两个星期的时间把这个wiki的内容和相关程序本身实现一次。并且，这个wiki是有中文版本的，在每一个页面的最下面均可以点击查看中文版本。（PS：我还很荣幸的当时参与了当时的翻译工做，为内容的中文化作了一点点微小的工做。）。

三、如今的深度学习应用最为普遍的就是卷积神经网络（Convolutional neural network， CNN），因此建议你们能够多看看这个方面的内容。正好这几天Fei Fei Li老师的CNN课程又开课了，你们有兴趣能够去看看。这个网站会同步更新，并且有中文翻译。【中文字幕】2017春季CS231n 斯坦福深度视觉识别课。

四、作深度学习避免不了的要选择一个平台，Tensorflow，Caffe，Torch，MxNet等等都是选择。若是是新手，尤为是基于Windows平台的新手，我仍是比较建议用Tensorflow。具体的内容能够参见这个莫烦系列教程 - Tensorflow教程。

五、最后，就是勤联系、勤联系、勤联系啦。

六、最后的最后，若是没有项目参与，那么最好的检验本身的学习成果的手段就是参加比赛啦。国外的Kaggle，KDD CUP，...。国内的天池大数据竞赛，...。

• https://www.kaggle.com/
• http://www.kdd.org/kdd-cup
• https://tianchi.shuju.aliyun.com/

 

---

这几年，机器学习绝对是计算机领域最热门的话题和方向。笔者不属于专门研究机器学习，可是平时的工做会常常用到一些相关的算法。所以，对于机器学习也仅仅是入门的水平。可是我想也正是由于我只是一个入门汉，因此可以从咱们入门者的角度来总结如何入门，但愿对还在门外的同窗有一些帮助。

数 学

不少人翻看任何一本机器学习的书，看到一推的数学公式就开始打退堂鼓了。开始搜索，提问“机器学习须要哪些数学知识？”而后获得的结果可能会是“矩阵分析，几率论，优化设计……”并且还会有大量的人推荐一些例如“All of Statistics”，“Convex Optimation”等等外文教材。至少我当时面对的状况就是这样的。这种状况极可能后面会朝如下画风发展。

看到上述推荐的那些经典教材，你像看待圣经同样看待他们。抱着一种学会了那些课，我再看机器学习的书简直就会是探囊取物的想法，你下载了巨多相关材料。可是，慢慢你会发现，除了把他们下载了下来，你并无任何的进步。你并无完完整整的看完一本，你并无在机器学习方面卓越超群。

入门阶段真的须要这么多的数学储备吗？未必。

入门阶段我感受你只要有普通工科专业大一大二那几门基础数学课“线性代数”，“高数”，“几率论与数理统计”就可让你入门了。

因此，千万别被机器学习中的数学所吓倒而不知道该如何下手。

只要有上述的几门课的基础，你彻底能够看懂很大一部分机器学习算法。

程序语言

机器学习入门最佳的方法其实就是理论和代码一块儿学习。一边看相应的理论推导，一边看而且实践经典代码。因此，为了更快入门，我推荐你最好可以懂点MATLAB或者是Python语言。

Matlab和Python说实话作高端的机器学习确定是不推荐的，可是若是你想的是机器学习快速入门，那这两门语言绝对是绝佳选择。

 

第一步

有了上述基础后，你能够开始看点机器学习的相关内容了。我看不少人推荐elements of machine learning。我想说，你想让一个基础为零的人去看这本书，真的合适吗？？？

因此，我推荐的是Machine Learning in action，（这里面的完成语言为Python）这是英文版本的。固然若是你以为英文对你是一个彻底过不去的坎，（虽然我建议作技术的人都必须至少要看得懂英文）如今有中文版本，叫“机器学习实践”。

这本书用尽可能少的公式把机器学习的基本算法都过了一遍，并且还讲得很清楚，更为重要的是他将公式和代码结合了起来。所以，你的机器学习并无那么的抽象了，你知道算法里的公式如何的转化为代码。

因此，第一步，你能够耐着性子将这本书看完。反正我当时，把书中的代码本身敲了一次，虽然代码有的下载，你也能够选择只是把代码看懂完事。但我仍是建议，本身敲一次，运行运行，这样你会获得不同的体会。

 

第二步

学习Coursera上面Andrew Ng老师的machine learning的课程。这门课造福了众多机器学习的入门者，不只仅是由于课程全面，内容由浅入深。更加剧要的是这门课程每次课都有课堂做业，做业不须要你写出来全部的代码，可是关键代码要你写出来，并且还会教你如何调试代码。

初学者学这门课的时候极可能会买有耐心，又是英文的，又有进度要求，又有做业。不要紧，你能够把视频下载下来（不少网盘里都有下载好的视频），而后慢慢的去啃。做业也是，可能你本身不能一口气写出来，不要紧，在本身作了大量尝试后，去Github上面下载一些别人写好的代码看一看，找找本身的问题到底出在了哪里。

总之，必定要耐着性子过一遍甚至是几面这个课程。

 

第三步

这时候你已经对机器学习不少简单的算法比较清楚了，可是可能尚未一种大的全局观。因此，我建议你们能够看看这两本中文教材。周志华老师的西瓜书《机器学习》和李航老师的《统计学习方法》，这两本书都是做者花了大量心思编写的，也是在中国众多科技书籍中可贵的两本佳做。

英文书籍，能够推荐《Patten Recognition and Machine Learning》，《Elements
of Statistical Learning》(可是这本书难度比较大，若是你有足够的耐心，能够慢慢啃，屡次的啃。相信每次都会有不一样的收获。我本身已经看了好几回，可是确实每次都没有彻底看完，可是目前我遇到不少问题，我去翻这本书，仍是能找到不少答案，尤为是我作稀疏相关的工做，里面的相关内容讲解很是清楚。）

 

第四步

这时候，机器学习你已经能够说大概入门了。后面的事情，就得根据你的需求来制定相关的学习路线。

好比，作大数据分析的，得去学学spark，Hadoop等计算框架；

另外，图模型，深度学习……等等内容，都是一些方向。

天然语言处理、图像识别、语音识别等等也是一些应用方向，更有大量的领域知识须要结合。

 

 

在前沿部分和第一到第三步的内容，若是你能按照这几步走下来，入门是确定能够的。至于后面的机器学习精通部分，我也只能说：Good Luck and Have Fun

 

 

广告时间：机器学习、将来智能、机器人相关话题，可关注公众号：

平衡小车之家

编辑于 2018-01-15