1. 程式人生 > >機器學習相關內容

機器學習相關內容

推導 一個 入門教程 很多 質量 整體 coursera 大數據分析 朋友

接觸計算機不長不短業余的大學幾年加上工作三年,編程三年多,行業自己心裏有了自己的打算,在程序這一塊的領域也有了自己的一點點體會,總有自己的想法。下一個三年的階段性目標:機器學習。

機器學習的子類是深度學習,父類是人工智能。
機器學習是大數據分析方法的一個分支。隸屬於大數據,大分析

機器學習的算法有很多,監督學習,無監督學習,以及推薦算法這一個特殊算法三類

目前是根據一篇博客來整體了解了一下,接下來的熟悉還是老辦法,與同行交流和讀書結合,如果能在工作中用到,真的是幸運。

1.我轉載了一個朋友的書單,我還沒開始看。前段時間從算法入手,補充了一部分相關知識。
他的書單放在下面
(我對普通程序員的定義是:擁有大學本科知識;平時工作較忙;自己能獲取的數據有限。因此,本文更像是一篇 “from the scratch” 的AI入門教程。)

書單暫時找不到了,主要涉及大在於機器學習,數據挖掘,推薦系統的一些經典書籍

雲盤地址;https://pan.baidu.com/s/1bndMSer

2.學習目標,學習方針與學習計劃。學習目標比較清楚,就是踏入AI領域這個門。這個目標不大,因此實現起來也較為容易。“過大的目標時就是為了你日後放棄它時找到了足夠的理由”。學習方針可以總結為 “興趣為先,踐學結合”。簡單說就是先培養興趣,然後學習中把實踐穿插進來,螺旋式提高。這種方式學習效果好,而且不容易讓人放棄。有了學習方針以後,就可以制定學習計劃,也稱為學習路線。

3.實踐做項目 

  學習完了基礎課程,你對機器學習就有了初步了解。現在使用它們是沒有問題的,你可以把機器學習算法當作黑盒子,放進去數據,就會有結果。在實戰中你更需要去關心如何獲取數據,以及怎麽調參等。如果有時間,自己動手做一個簡單的實踐項目是最好的。這裏需要選擇一個應用方向,是圖像(計算機視覺),音頻(語音識別),還是文本(自然語言處理)。這裏推薦選擇圖像領域,這裏面的開源項目較多,入門也較簡單,可以使用OpenCV做開發,裏面已經實現好了神經網絡,SVM等機器學習算法。項目做好後,可以開源到到 Github 上面,然後不斷完善它。實戰項目做完後,你可以繼續進一步深入學習,這時候有兩個選擇,深度學習和繼續機器學習;

4.深度學習

  深度學習:深度學習是目前最火熱的研究方向。有以下特點:知識更新快,較為零碎,沒有系統講解的書。因此學習的資源也相對零散,下面是一些資源介紹。其中不推薦的部分並不代表不好,而是在這個初學階段不合適:

推薦,UFLDL: 非常好的DL基礎教程,也是Andrew Ng寫的。有很詳盡的推導,有翻譯,且翻譯質量很高;
推薦,Deep learning (paper):2015年Nature上的論文,由三位深度學習界的大牛所寫,讀完全篇論文,給人高屋建瓴,一覽眾山小的感覺,強烈推薦。如果只能讀一篇論文了解深度學習,我推薦此篇。這篇論文有同名的中文翻譯;
推薦,Neural networks and deep learning:這本書的作者非常擅長以淺顯的語言表達深刻的道理,雖然沒有翻譯,但是閱讀並不困難;

推薦,Recurrent Neural Networks: 結合一個實際案例告訴你RNN是什麽,整篇教程學完以後,會讓你對RNN如何產生作用的有很清晰的認識,而這個效果,甚至是讀幾篇相關論文所沒有的;

不推薦,Neural Networks for Machine Learning - University of Toronto | Coursera:深度學習創始人教的課,最大的問題是太難,而且老先生的吐字有時不是很標準;
不推薦,Deep Learning (book):同樣也是由深度學習大牛所寫的書,但感覺就像是第二作者,也就是他的學生所寫的。很多內容都講了,但是感覺也沒講出什麽內容來,只是告訴你來自那篇論文,這樣的話可能直接閱讀論文更合適。
不推薦,cs231n:李菲菲的課程,很有名,專門講CNN。但是這門課程有一個最大的問題,就是沒有字幕,雖然有youtube的自動翻譯字幕,但有還不如沒有。

先這樣,flag在這裏就好

機器學習相關內容