问和平精英怎么开画质

首页发现话题
登录加入知乎
机器学习该怎么入门？关注问题写回答
机器学习
机器学习该怎么入门？本人大学本科，对机器学习很感兴趣，想从事这方面的研究。在网上看到机器学习有一些经典书如b**hop的prml，tom mitchell的machin…显示全部
关注者
18624
被浏览
1414572
10 条评论
邀请回答
关注问题写回答
152 个回答
张松阳
程序猿是新时代的手艺人
2785 人赞同了该回答
好东西不敢独享，转载一发。正在学习林轩田的机器学习基石和吴恩达的机器学习，感觉讲的还不错，数学基础还是蛮重要的。机器学习入门资源不完全汇总
感谢贡献者：tang_kaka_back@新浪微博
欢迎补充指正，转载请保留原作者和原文链接。本文是 机器学习日报的一个专题合集，欢迎订阅：请给hao@memect.com发邮件，标题＂订阅机器学习日报。机器学习入门资源不完全汇总基本概念
机器学习 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。下面从微观到宏观试着梳理一下机器学习的范畴：一个具体的算法，领域进一步细分，实战应用场景，与其他领域的关系。图1:机器学习的例子：nltk监督学习的工作流程图(source:http://www.nltk.org/book/ch06.html)
图2:机器学习概要图 by yaser abu-mostafa(caltech)(source:map of machine learning(abu-mostafa))
图3:机器学习实战：在python scikit learn 中选择机器学习算法 by n**hant chandra(source:in pursuit of happiness!picking the right machine learning algorithm)
图4:机器学习和其他学科的关系：数据科学的地铁图 by swami chandrasekaran(source:becoming a data scient**t)
机器学习入门资源不完全汇总入门攻略
大致分三类：起步体悟，实战笔记，行家导读
机器学习入门者学习指南@果壳网(2013)作者 白马-[起步体悟]研究生型入门者的亲身经历
有没有做机器学习的哥们？能否介绍一下是如何起步的@ourcoders-[起步体悟]研究生型入门者的亲身经历，尤其要看reyoung的建议
tornadomeet 机器学习 笔记(2013)-[实战笔记]学霸的学习笔记，看看小伙伴是怎样一步一步地掌握“机器学习”
machine learning roadmap:your self-study guide to machine learning(2014)jason brownlee-[行家导读]虽然是英文版，但非常容易读懂。对beginner,novice,intermediate,advanced读者都有覆盖。a tour of machine learning algorithms（2013）这篇关于机器学习算法分类的文章也非常好
best machine learning resources for getting started（2013）这片有中文翻译 机器学习的最佳入门学习资源@伯乐在线 译者 programmer_lin
门主的几个建议
既要有数学基础，也要编程实践
别怕英文版，你不懂的大多是专业名词，将来不论写文章还是读文档都是英文为主
[我是小广告][我是小广告]订阅机器学习日报，跟踪业内热点资料。机器学习入门资源不完全汇总更多攻略
机器学习该怎么入门@知乎(2014)
what's the easiest way to learn machine learning@quora(2013)
what ** the best way to study machine learning@quora(2012)
** there any roadmap for learning machine learning(ml)and its related courses at cmu ** there any roadmap for learning machine learning(ml)and its related courses at cmu(2014)
机器学习入门资源不完全汇总课程资源
tom mitchell 和 andrew ng 的课都很适合入门
机器学习入门资源不完全汇总入门课程机器学习入门资源不完全汇总2011 tom mitchell(cmu)机器学习
英文原版视频与课件pdf 他的《机器学习》在很多课程上被选做教材，有中文版。dec**ion trees
probability and estimation
naive bayes
log**tic regression
linear regression
practical **sues:feature selection，overfitting.
graphical models:bayes networks,em，mixture of gaussians clustering.
computational learning theory:pac learning,m**take bounds.
semi-superv**ed learning
hidden markov models
neural networks
learning representations:pca,deep belief networks,ica,cca.
kernel methods and svm
active learning
re**rcement learning 以上为课程标题节选
机器学习入门资源不完全汇总2014 andrew ng(stanford)机器学习
英文原版视频 这就是针对自学而设计的，免费还有修课认证。“老师讲的是深入浅出，不用太担心数学方面的东西。而且作业也非常适合入门者，都是设计好的程序框架，有作业指南，根据作业指南填写该完成的部分就行。（参见白马同学的入门攻略）"推荐报名，跟着上课，做课后习题和期末考试。(因为只看不干，啥都学不会)。(参见reyoung的建议）
introduction(week 1)
linear regression with one variable(week 1)
linear algebra review(week 1,optional)
linear regression with multiple variables(week 2)
oct**e tutorial(week 2)
log**tic regression(week 3)
regularization(week 3)
neural networks:representation(week 4)
neural networks:learning(week 5)
advice for applying machine learning(week 6)
machine learning system design(week 6)
support vector machines(week 7)
clustering(week 8)
dimensionality reduction(week 8)
anomaly detection(week 9)
recommender systems(week 9)
large scale machine learning(week 10)
application example:photo ocr
conclusion
机器学习入门资源不完全汇总进阶课程
2013年yaser abu-mostafa(caltech)learning from data-内容更适合进阶 课程视频,课件pdf@caltech
the learning problem
** learning feasible?the linear model i
error and no**e
training versus testing
theory of generalization
the vc dimension
bias-variance tradeoff
the linear model ii
neural networks
overfitting
regularization
validation
support vector machines
kernel methods
radial bas** functions
three learning principles
epilogue
2014年 林轩田(国立**大学)机器学习基石(machine learning foundations)-内容更适合进阶，华文的教学讲解 课程主页
when can machines learn?[何时可以使用机器学习]the learning problem[机器学习问题]-learning to answer yes/no[二元分类]-types of learning[各式机器学习问题]-feasibility of learning[机器学习的可行性]
why can machines learn?[为什么机器可以学习]-training versus testing[训练与测试]-theory of generalization[举一反三的一般化理论]-the vc dimension[vc 维度]-no**e and error[杂讯一错误]
how can machines learn?[机器可以怎么样学习]-linear regression[线性回归]-linear `soft' classification[软性的线性分类]-linear classification beyond yes/no[二元分类以外的分类问题]-nonlinear transformation[非线性转换]
how can machines learn better?[机器可以怎么样学得更好]-hazard of overfitting[过度训练的危险]-preventing overfitting i:regularization[避免过度训练一：控制调适]-preventing overfitting ii:validation[避免过度训练二：自我检测]-three learning principles[三个机器学习的重要原则]
机器学习入门资源不完全汇总更多选择
2008年andrew ng cs229 机器学习-这组视频有些年头了，主讲人这两年也高大上了.当然基本方法没有太大变化，所以课件pdf可下载是优点。中文字幕视频@网易公开课|英文版视频@**|课件pdf@stanford
第1集.机器学习的动机与应用 第2集.监督学习应用.梯度下降 第3集.欠拟合与过拟合的概念 第4集.牛顿方法 第5集.生成学习算法 第6集.朴素贝叶斯算法 第7集.最优间隔分类器问题 第8集.顺序最小优化算法 第9集.经验风险最小化 第10集.特征选择 第11集.贝叶斯统计正则化 第12集.k-means算法 第13集.高斯混合模型 第14集.主成分分析法 第15集.奇异值分解 第16集.马尔可夫决策过程 第17集.离散与维数灾难 第18集.线性二次型调节控制 第19集.微分动态规划 第20集.策略搜索
2012年余凯(百度)张潼(rutgers)机器学习公开课-内容更适合进阶 课程主页@百度文库｜课件pdf@龙星计划
第1节introduction to ml and review of linear algebra,probability,stat**tics(kai)第2节linear model(tong)第3节overfitting and regularization(tong)第4节linear classification(kai)第5节bas** expansion and kernelmethods(kai)第6节model selection and evaluation(kai)第7节model combination(tong)第8节boosting and bagging(tong)第9节overview of learning theory(tong)第10节optimization in machinelearning(tong)第11节online learning(tong)第12节sparsity models(tong)第13节introduction to graphicalmodels(kai)第14节structured learning(kai)第15节feature learning and deeplearning(kai)第16节transfer learning and semi superv**ed learning(kai)第17节matrix factorization and recommendations(kai)第18节learning on images(kai)第19节learning on the web(tong)
机器学习入门资源不完全汇总论坛网站机器学习入门资源不完全汇总中文
我爱机器学习 我爱机器学习
http://www.mitbbs.com/bbsdoc/datasciences.html mitbbs－ 电脑网络-数据科学版
机器学习小组 果壳>机器学习小组
http://cos.name/cn/forum/22 统计之都»统计学世界»数据挖掘和机器学习
北邮人论坛-北邮人的温馨家园 北邮人论坛 >> 学术科技 >> 机器学习与数据挖掘
机器学习入门资源不完全汇总英文
josephm**iti/awesome-machine-learning·github 机器学习资源大全
machine learning video library caltech 机器学习视频教程库，每个课题一个视频
analytics,data mining,and data science 数据挖掘名站
http://www.datasciencecentral.com/数据科学中心网站
机器学习入门资源不完全汇总东拉西扯
一些好东西，入门前未必看得懂，要等学有小成时再看才能体会。机器学习与数据挖掘的区别
机器学习关注从训练数据中学到已知属性进行预测
数据挖掘侧重从数据中发现未知属性
dan levin,what ** the difference between stat**tics,machine learning,ai and data mining?if there are up to 3 variables,it ** stat**tics.
if the problem ** np-complete,it ** machine learning.
if the problem ** pspace-complete,it ** ai.
if you don't know what ** pspace-complete,it ** data mining.
几篇高屋建瓴的机器学习领域概论,参见原文
the d**cipline of machine learningtom mitchell 当年为在cmu建立机器学习系给校长写的东西。a few useful things to know about machine learning pedro domingos教授的大道理，也许入门时很多概念还不明白，上完公开课后一定要再读一遍。几本好书
李航博士的《统计学习方法》一书前段也推荐过，给个豆瓣的链接
发布于 2015-07-05
2.8k45 条评论
收藏感谢收起
知乎用户
571 人赞同了该回答
看到没有人提到metacademy，推荐一发作为入门工具：metacademy，以及我个人的一点粗浅看法。上面有很多答案说得太庞杂了，固然机器学习这个领域有很多的经典资料值得我们花大块时间去研读，但对于一个入门的新人来说如果在一开始就一头扎进这样深不见底的知识海洋之中，难免产生一些挫败感，这样的挫败感对深入学习是不利的，也是不必要的。事实上，在机器学习这个领域里，我们可以说出诸如“演化计算”，“统计关系学习”等上百个关键词，每一个关键词都代表着一个子领域，无论多么优秀的机器学习学家，也不敢说自己对每一个子领域都有相当的了解。如果对机器学习有兴趣，当拥有最基础的知识之后，就可以尝试对某个感兴趣的子领域展开一些研究，利用问题驱动自己，逐渐形成self-motivation。在解决问题的过程中不断提升自己的视野，提升自己对问题的洞察力和对研究的自信可能是更为重要的。但在这样的过程中，基础薄弱所带来的问题可能就会浮现：每每你读论文，会遇到许多闻所未闻的概念，这时为了弄清整个论文逻辑，你不得不跑回去先了解这些知识。这样你又一头扎...