机器学习入门资源不完全汇总
本帖最后由 马猴烧酒 于 2018-9-7 14:34 编辑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 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 Nishant Chandra (source: In pursuit of happiness!: Picking the rightMachine 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 Scientist)
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 machinelearning @quora (2013)
[*]What is the best way to study machinelearning @quora (2012)
[*]Is there any roadmap for learning Machine Learning (ML) and its related courses at CMU Is there any roadmapfor 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。
[*]Decision Trees
[*]Probability and Estimation
[*]Naive Bayes
[*]Logistic Regression
[*]Linear Regression
[*]Practical Issues: Feature selection，Overfitting ...
[*]Graphical models: Bayes networks, EM，Mixture of Gaussians clustering ...
[*]Computational Learning Theory: PAC Learning, Mistake bounds ...
[*]Semi-Supervised Learning
[*]Hidden Markov Models
[*]Neural Networks
[*]Learning Representations: PCA, Deep belief networks, ICA, CCA ...
[*]Kernel Methods and SVM
[*]Active Learning
[*]Reinforcement Learning 以上为课程标题节选
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)
[*]Octave Tutorial (Week 2)
[*]Logistic 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) Learningfrom Data -- 内容更适合进阶 课程视频,课件PDF@Caltech
[*]The Learning Problem
[*]Is Learning Feasible?
[*]The Linear Model I
[*]Error and Noise
[*]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 Basis Functions
[*]Three Learning Principles
[*]Epilogue
2014年 林軒田(国立台湾大学)機器學習基石 (Machine Learning Foundations) --内容更适合进阶，華文的教學講解 课程主页When Can Machines Learn? [何時可以使用機器學習]The Learning Problem [機器學習問題] -- Learning to AnswerYes/No [二元分類] -- Types of Learning [各式機器學習問題] -- Feasibility of Learning [機器學習的可行性]Why Can Machines Learn? [為什麼機器可以學習] --Training versus Testing [訓練與測試] -- Theory ofGeneralization [舉一反三的一般化理論] -- The VC Dimension -- Noise and Error [雜訊一錯誤]How Can Machines Learn? [機器可以怎麼樣學習] --Linear Regression [線性迴歸] -- Linear `Soft'Classification [軟性的線性分類] -- Linear Classificationbeyond Yes/No [二元分類以外的分類問題] -- Nonlinear Transformation[非線性轉換]How Can Machines Learn Better? [機器可以怎麼樣學得更好] -- Hazard of Overfitting [過度訓練的危險] -- PreventingOverfitting I: Regularization [避免過度訓練一：控制調適] --Preventing Overfitting II: Validation [避免過度訓練二：自我檢測] --Three Learning Principles [三個機器學習的重要原則]
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@youtube |课件PDF@Stanford1.机器学习的动机与应用 2.监督学习应用.梯度下降3.欠拟合与过拟合的概念 4.牛顿方法 5.生成学习算法 6.朴素贝叶斯算法 7.最优间隔分类器问题 8.顺序最小优化算法 9.经验风险最小化 10.特征选择 11.贝叶斯统计正则化 12.K-means算法 13.高斯混合模型 14.主成分分析法 15.奇异值分解 16.马尔可夫决策过程 17.离散与维数灾难 18.线性二次型调节控制 19.微分动态规划 20.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1.Introduction to MLand review of linear algebra, probability, statistics (kai) 2.linear model(tong) 3.overfitting andregularization(tong) 4.linearclassification (kai) 5.basis expansionand kernelmethods (kai) 6.model selection andevaluation(kai) 7.model combination(tong) 8.boosting andbagging (tong) 9.overview oflearning theory(tong) 10.optimization inmachinelearning (tong) 11.online learning(tong) 12.sparsity models(tong) 13.introduction tographicalmodels (kai) 14.structuredlearning (kai) 15.feature learningand deeplearning (kai) 16.transfer learningand semi supervised learning (kai) 17.matrixfactorization and recommendations (kai) 18.learning on images(kai) 19.learning on theweb (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josephmisiti/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 is the difference betweenstatistics, machine learning, AI and data mining?
[*]If there are up to 3 variables, it is statistics.
[*]If the problem is NP-complete, it is machine learning.
[*]If the problem is PSPACE-complete, it is AI.
[*]If you don't know what is PSPACE-complete, it is data mining.
几篇高屋建瓴的机器学习领域概论, 参见原文
[*]The Discipline 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。
一本好书
[*]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
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＂。
作者：张松阳
链接：https://www.zhihu.com/question/20691338/answer/53910077
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
资源杠杠的 强人锁男 发表于 2018-9-7 16:22
资源杠杠的
为AI普及之路贡献一份力:lol 我只想说：爽的一匹！！！！！！真的详细 本帖最后由 马猴烧酒 于 2018-9-10 08:37 编辑
学海无涯赶快跑 发表于 2018-9-8 10:59
我只想说：爽的一匹！！！！！！真的详细
谢谢 这么详细的吗，还真是第一次见到汇总的这么详细的贴，我的天，楼主下苦工了，感谢感谢，能分享资源的都是好人！ 小虾米爱IT 发表于 2018-9-10 09:35
这么详细的吗，还真是第一次见到汇总的这么详细的贴，我的天，楼主下苦工了，感谢感谢，能分享资源的都是好 ...
这么快就发好人卡了，我收下了 很详细的入门贴，感谢帖主 就喜欢这样的贴，多多益善 感谢大佬
页:
[1]
2