机器学习入门学习资源

谁践踏了优雅 2022-07-24 11:15 284阅读 0赞

# 机器学习入门学习资源 #

【[转载请注明出处][Link 1]】http://blog.csdn.net/guyuealian/article/details/51471085

这是一篇很难写的文章，因为我希望这篇文章能对学习者有所启发。我在空白页前坐下，并且问自己了一个很难的问题：什么样的库、课程、论文和书籍对于机器学习的初学者来说是最好的。

文章里到底写什么、不写什么，这个问题真的让我很烦恼。我必须把自己当做一个程序员和一个机器学习的初学者，站在这个角度去考虑最合适的资源。

我找出了每个类型中最适合的资源。如果你是一个真正的初学者，并且乐意于开始了解机器学习领域的相关知识，我希望，你可以在我的文章中找到有用的资料。我的建议是，从中挑出一件来，一本书或者是一个库，反复阅读或者认真学习所有的相关教程。挑出一个并且坚持学习，直到你完全掌握，再重新选择一个，重复这个学习过程。现在就让我们开始吧！

## Programming Libraries 编程库资源 ##

我是一个“学习要敢于冒险和尝试”观念的倡导者。这是我学习编程的方式，我相信很多人也是这样学习程序设计的。先了解你的能力极限，然后去拓展你的能力。如果你了解如何编程，可以将编程经验很快借鉴到深入学习机器学习上。在你实现一个实际的产品系统之前，你必须遵循一些规则、学习相关数学知识。

找到一个库并且仔细阅读相关文档，根据教程，开始尝试实现一些东西。下面列出的是开源的机器学习库中最好的几种。我认为，并不是他们中的每一种都适合用在你的系统中，但是他们是你学习、探索和实验的好材料。

你可以从一个由你熟悉的语言编写的库开始学习，然后再去学习其他功能强大的库。如果你是一个优秀的程序员，你会知道怎样从一种语言，简单合理地迁移到另一种语言。语言的逻辑都是相同的，只是语法和API稍有不同。

*  [R Project for Statistical Computing][]：这是一个开发环境，采用一种近似于Lisp的脚本语言。在这个库中，所有你想要的与统计相关的功能都通过Ｒ语言提供，包括一些复杂的图标。CRAN(你可以认为是机器学弟的第三方包)中的机器学习目录下的代码，是由统计技术方法和其他相关领域中的领军人物编写的。如果你想做实验，或是快速拓展知识，R语言都是必须学习的。但它可能不是你学习的第一站。
 *  [WEKA][]：这是一个数据挖掘工作平台，为用户提供数一系列据挖掘全过程的API、命令行和图形化用户接口。你可以准备数据、可视化、建立分类、进行回归分析、建立聚类模型，同时可以通过第三方插件执行其他算法。除了WEKA之外， [Mahout][]是Hadoop中为机器学习提供的一个很好的JAVA框架，你可以自行学习。如果你是机器学习和大数据学习的新手，那么坚持学习WEKA，并且全心全意地学习一个库。
 *  [Scikit Learn][]:这是用Python编写的，基于NumPy和SciPy的机器学习库。如果你是一个Python或者Ruby语言程序员，这是适合你用的。这个库很用户接口友好，功能强大，并且配有详细的文档说明。如果你想试试别的库，你可以选择Orange。

*  [Octave][]:如果你很熟悉MatLab，或者你是寻求改变的NumPy程序员，你可以考虑 Octave。这是一个数值计算环境，与MatLab像是，借助Octave你可以很方便地解决线性和非线性问题，比如机器学习算法底层涉及的问题。如果你有工程背景，那么你可以由此入手。

*  [BigML][]:可能你并不想进行编程工作。你完全可以不通过代码，来使用 WEKA那样的工具。你通过使用BigMLS的服务来进行更加深入的工作。BigML通过Web页面，提供了机器学习的接口，因此你可以通过浏览器来建立模型。

挑选出一个平台，并且在你实际学习机器学习的时候使用它。不要纸上谈兵，要去实践！

## Video Courses视频课程 ##

很多人都是通过视频资源开始接触机器学习的。我在YouTube和VideoLectures上看了很多于机器学习相关的视频资源。这样做的问题是，你可能只是观看视频而并不实际去做。我的建议是，你在观看视频的时候，应该多记笔记，及时后来你会抛弃你的笔记。同时，我建议你将学到的东西付诸实践。

坦白讲，我没有看见特别合适初学者的视频资源。视频资源都需要你掌握一定的线性代数、概率论等知识。Andrew Ng在斯坦福的讲解可能是最适合初学者的，下面是我推荐的一些视频资源。

*  [Stanford Machine Learning][]斯坦福的机器学习课程：可以在Coursera上观看，这门课是由 Andrew Ng讲解的。只要注册，你可以随时观看所有的课程视频，从[Stanford CS229 course][]下载讲义和笔记。这门课包括了家庭作业和小测试，课程主要讲解了线性代数的知识，使用Octave库。

*  [Caltech Learning from Data][]加利福尼亚理工学院的数据分析课程：你可以在edX上学习这门课程，课程是由Yaser Abu-Mostafa讲解的。所有的课程视频和资料都在加利福尼亚理工学院的网站上。与斯坦福的课程类似，你可以根据自己的情况安排学习进度，完成家庭作业和小论文。它与斯坦福的课程主题相似，关注更多的细节和数学知识。对于初学者来说，家庭作业可能稍有难度。

*  [Machine Learning Category on VideoLectures.Net][]网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。

*  [“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard][Getting In Shape For The Sport Of Data Science_ _ _Jeremy Howard]讲授：这是与机器学习竞赛者的对话，他们是一些实践中的R语言用户。这是非常珍贵的资源，因为很少有人会讨论研究一个问题的完整过程和究竟怎样做。我曾经幻想过在网上找到一个TV秀，记录机器学习竞赛的全过程。这就是我开始学习机器学习的经历！

## Overview Papers综述论文 ##

如果你并不习惯阅读科研论文，你会发现论文的语言非常晦涩难懂。一篇论文就像是一本教科书的片段，但是论文会介绍一个实验或者是领域中其他的前沿知识。然而，如果你准备从阅读论文开始学习机器学习的话，你还是可以找到一些很有意思的文章的。

*  [The Discipline of Machine Learning][]机器学习中的规则：这是由Tom Mitchell编著的白皮书，其中定义了机器学习的规则。Mitchell在说服CMU总裁为一个百年内都存在的问题建立一个独立的机器学习部门时，也用到了这本书中的观点。

*  [A Few Useful Things to Know about Machine Learning][]：这是一篇很好的论文，因为它以详细的算法为基础，又提出了一些很重要的问题，比如：选择特征的一般化，模型简化等。

我只是列出了两篇重要的论文，因为阅读论文会让你陷入困境。

## Beginner Machine Learning Books给机器学习初学者的书 ##

关于机器学习的书有很多，但是几乎没有为初学者量身定做的。什么样的人才是初学者呢？最有可能的情况是，你从另外一个完全不同的领域比如：计算机科学、程序设计或者是统计学，来到机器学习领域。那么，大部分的书籍要求你有一定的线性代数和概率论的基础。

但是，还有一些书通过讲解最少的算法来鼓励程序员学习机器学习，书中会介绍一些可以使用工具、编程函数库来让程序员尝试。其中最有代表性的书是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的话，你可以选择其中一本开始学习。

![Machine\_Learning02][Machine_Learning02]

*  [Programming Collective Intelligence: Building Smart Web 2.0 Applications][Programming Collective Intelligence_ Building Smart Web 2.0 Applications]：这本书是为程序员写的。书中简略介绍相关理论，重点以程序为例，介绍web中的实际问题和解决办法。你可以买来这本书，阅读，并且做一些练习。

*  [Machine Learning for Hackers][]  （中文版：[机器学习:实用案例解析][Link 2] ）：我建议你在阅读了《Programming Collective Intelligence》一书之后，再阅读这本书。这本书中也提供了很多实践练习，但是涉及更多的数据分析，并且使用R语言。我个人很喜欢这本书！

*  [Machine Learning: An Algorithmic Perspective][Machine Learning_ An Algorithmic Perspective]：这本书是《Programming Collective Intelligence》的高级版本。它们目的相同（让程序员开始了解机器学习），但是这本书包括一些数学知识，参考样例和phython程序片段。如果你有兴趣的话，我建议你在看完《Programming Collective Intelligence》之后来阅读这本书。

*  [数据挖掘：实用机器学习工具与技术（英文版·第3版）][3] ：我自己是从这本书开始了解机器学习的，那时是2000年这本书还是第一版。我那时是Java程序员，这本书和WEKA库为我的学习和实践提供了一个很好的环境。我通过这样的平台和一些插件，实现我的算法，并且真正开始实践机器学习和数据挖掘的过程。我强烈推荐这本书，和这样的学习过程。

*  [Machine Learning][]（中文版：[计算机科学丛书:机器学习][Link 3] ）：这是一本很老的书，包括了一些规则和很多参考资料。这是一本教科书，为每个算法提供了相关讲解。

有一些人认为那些经典的机器学习教科书很了不起。 我也赞同，那些书的确非常好。但是，我认为，对于初学者来说，这些书可能并不合适。

## Further Reading 继续阅读 ##

在写这篇文章时，我认真思考了相关问题，同时也参考了其他人推荐的资料，以确保我没有遗漏任何重要参考资料。为了确保文章的完整性，下面也列出了一些网上流行的，可以供初学者使用的材料。.

*  [A List of Data Science and Machine Learning Resources][]:这是一份仔细整理的列表。你可以花一些时间，点击链接，仔细阅读作者的建议。值得一读！

*  [What are some good resources for learning about machine learning Why][]：这个问题的第一个答案令人吃惊。每次我阅读这篇文章的时候，都会做好笔记，并且插入新的书签。答案中对我最有启发的部分是机器学习课程列表，以及相应的课程笔记和问答网站。

*  [Overwhelmed by Machine Learning: is there an ML101 book][Overwhelmed by Machine Learning_ is there an ML101 book]：这是StackOverflow上的问题。并且提供了一系列机器学习推荐书籍。Jeff Moser提供的第一个答案是很有用的，其中有课程视频和讲座的链接。

你是不是以及读过或者用过上面的一些资源了呢？你怎么看这个问题？

我是不是如愿为那些对机器学习有兴趣的初学者提供了重要、有用的资源呢？请留下你的建议，让我们分享！

[Link 1]: http://blog.csdn.net/guyuealian/article/details/51471085
[R Project for Statistical Computing]: http://www.r-project.org/
[WEKA]: http://www.cs.waikato.ac.nz/ml/weka/
[Mahout]: http://mahout.apache.org/
[Scikit Learn]: http://scikit-learn.org/
[Octave]: http://www.gnu.org/software/octave/
[BigML]: https://bigml.com/
[Stanford Machine Learning]: https://www.coursera.org/course/ml
[Stanford CS229 course]: http://cs229.stanford.edu/
[Caltech Learning from Data]: https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-1120
[Machine Learning Category on VideoLectures.Net]: http://videolectures.net/Top/Computer_Science/Machine_Learning/
[Getting In Shape For The Sport Of Data Science_ _ _Jeremy Howard]: http://blog.kaggle.com/2011/03/23/getting-in-shape-for-the-sport-of-data-sciencetalk-by-jeremy-howard/
[The Discipline of Machine Learning]: http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf
[A Few Useful Things to Know about Machine Learning]: http://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf
[Machine_Learning02]: /images/20220722/7737611b423c435caa98f4c90ec3de6d.png
[Programming Collective Intelligence_ Building Smart Web 2.0 Applications]: http://www.amazon.cn/gp/product/0596529325/ref=as_li_qf_sp_asin_il_tl?ie=UTF8&camp=536&creative=3200&creativeASIN=0596529325&linkCode=as2&tag=vastwork-23
[Machine Learning for Hackers]: http://www.amazon.cn/gp/product/1449303714/ref=as_li_qf_sp_asin_il_tl?ie=UTF8&camp=536&creative=3200&creativeASIN=1449303714&linkCode=as2&tag=vastwork-23
[Link 2]: http://www.amazon.cn/gp/product/B00CFCNGLG/ref=as_li_qf_sp_asin_il_tl?ie=UTF8&camp=536&creative=3200&creativeASIN=B00CFCNGLG&linkCode=as2&tag=vastwork-23
[Machine Learning_ An Algorithmic Perspective]: http://www.amazon.com/dp/1420067184?tag=job0ae-20
[3]: http://www.amazon.cn/gp/product/B007N0RK80/ref=as_li_qf_sp_asin_il_tl?ie=UTF8&camp=536&creative=3200&creativeASIN=B007N0RK80&linkCode=as2&tag=vastwork-23
[Machine Learning]: http://www.amazon.com/dp/0070428077?tag=job0ae-20
[Link 3]: http://www.amazon.cn/gp/product/B002WC7NH2/ref=as_li_qf_sp_asin_il_tl?ie=UTF8&camp=536&creative=3200&creativeASIN=B002WC7NH2&linkCode=as2&tag=vastwork-23
[A List of Data Science and Machine Learning Resources]: http://conductrics.com/data-science-resources/
[What are some good resources for learning about machine learning Why]: http://www.quora.com/Machine-Learning/What-are-some-good-resources-for-learning-about-machine-learning-Why
[Overwhelmed by Machine Learning_ is there an ML101 book]: http://stackoverflow.com/questions/598726/overwhelmed-by-machine-learning-is-there-an-ml101-book