fzhiy

Running all the time.

机器学习入门

点击量:92

前言

机器学习入门,要有数学基础,如线性代数、高等数学、概率论和凸优化等;要学习一门编程语言,并较为熟练运用;还要学习各种机器学习算法,安装一堆的包,怎么这么麻烦? 可能有人会有这样的问题【大佬请绕行】。这么多该怎么学。这里推荐一篇文章:我的机器学习入门路线图。 通俗语言总结:要身体力行,知行合一。另外,前期要有一个大概的认知,而不要细究。后期再深入研究学习。

机器学习知识图谱

首先这里先给出一个自认为比较好的机器学习图谱:机器学习初学者建议 | ApacheCN

Part Python

《机器学习入门》

《机器学习入门》

Part 数学

《机器学习入门》

Part 机器学习

《机器学习入门》

看完之后,当然机器学习也是少不了一门编程语言,那么选什么呢?个人认为当下应该使用Python。可能你会说有matlab,R等其他语言,至于为什么不选这些呢?现阶段自己的认识是这么多人用Python,往小了说,是不是碰到问题可以快速解决(也许别人已经踩过这个坑了)?是不是和别人合作更方便交流(虽然语言都是相通的,但是既然用了它,那么一定有它的优势对吧)?往大了说,互联网行业是不是要与时俱进呀?是不是要更新自己的知识库呀?那么,当下Python这么火,难道不应该去学习使用它吗? 好吧,说了这么多自己简单的认识,还是说学习线路吧。

Python入门资料

1.利用python进行数据分析

这本书含有大量的实践案例,你将学会如何利用各种Python库(包括NumPy、pandas、matplotlib以及IPython等)高效地解决各式各样的数据分析问题。

这个是我看的第一本python入门资料,如果把代码都运行一次,基本上就能解决数据分析的大部分问题了。

下载地址:建议购买书,源代码可以上百度搜索

注意:第二版中文翻译已经有人写了。github.com/wesm/pydata-

2.python入门笔记

作者李金,这个是jupyter notebook文件,把python的主要语法演示了一次,值得推荐。

下载地址:链接:pan.baidu.com/s/1snmeql 密码:hkv8

3.南京大学python视频教程

这个教程非常值得推荐,python主要语法和常用的库基本涵盖了。

视频下载地址:yun.baidu.com/s/1cCbERs 密码:7thx

看完这三个资料,python基本入门了,可以使用scikit-learn等机器学习库来解决机器学习的问题了。

Python IDE

Python有2.x和3.x两种版本,推荐安装Anaconda(3.6)。Anaconda是一个用于科学计算的Python发行版,支持 Linux, Mac, Windows系统,提供了包管理与环境管理的功能,可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。另外,Python有很多IDE可用,这里推荐:Pycharm,社区版[免费]就足够了。下载地址:jetbrains.com/

机器学习数学基础

机器学习的数学基础-(一、高等数学)

机器学习的数学基础-(二、线性代数)

机器学习的数学基础-(三、概率论和数理统计)

机器学习数学基础链接:https://pan.baidu.com/s/1SztzGdiSbMJkQpFQO9ce_g 密码:kc0u

以上大家来自黄博的知乎,也推荐大家关注 机器学习初学者 微信公众号。【并非广告】

机器学习入门资料

1、Andrew Ng《Machine Learning》

首先,非常推荐吴恩达(Andrew Ng)在 Coursera 上开设的机器学习入门课《Machine Learning》,授课地址是:

https://www.coursera.org/learn/machine-learning

网易云课堂中文版:https://study.163.com/course/introduction/1004570029.htm

对应的笔记:吴恩达老师机器学习教程中文笔记-在线版

关于这门课的官方介绍是:本课程将广泛介绍机器学习、数据挖掘和统计模式识别。相关主题包括:(i) 监督式学习(参数和非参数算法、支持向量机、核函数和神经网络)。(ii) 无监督学习(集群、降维、推荐系统和深度学习)。(iii) 机器学习实例(偏见/方差理论;机器学习和AI领域的创新)。课程将引用很多案例和应用,您还需要学习如何在不同领域应用学习算法,例如智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域。

这门课基本涵盖了机器学习的主要知识点,例如:线性回归、逻辑回归、支持向量机、神经网络、K-Means、异常检测等等。而且课程中没有复杂的公式推导和理论分析。Ng 的目的是让机器学习初学者能够快速对整个机器学习知识点有比较整体的认识,便于快速入门。

2、台大林轩田《机器学习基石》

台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面,基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣,总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些,侧重于机器学习理论知识。 首先附上这门课的主页:

https://www.csie.ntu.edu.tw/~htlin/

林轩田机器学习基石这门课有一个配套教材:《Learning From Data》,林轩田也是编者之一。这本书的主页为:

[http://amlbook.com/](http://amlbook.com/]

【相对吴恩达老师的机器学习较难。】

3、Udacity机器学习入门

优达学城课程链接:http://cn.udacity.com/course/intro-to-machine-learning–ud120

该课程是在Udacity开的,这一部分课程侧重于实践,主要是利用sklearn实现的。不过使用的Python版本还是2.x的。不过转换一下就可以了。转换方法参考:https://zhuanlan.zhihu.com/p/30826541

另外,这一门课程我会结合项目进行实践。正在更新中,有兴趣可以关注下:Udacity机器学习入门

参考资料

  1. 黄海广
  2. 我的机器学习入门路线图
  3. Machine learning resources
  4. ML相关内容

 

以上都是个人的观点,有什么不妥的或者更好的建议,大家可以留言,谢谢大家不吝赐教。

更新于2018-9-20 23:02。

点赞

发表评论

电子邮件地址不会被公开。