機(jī)器學(xué)習(xí)入門(mén)學(xué)習(xí)資源

【轉(zhuǎn)載請(qǐng)注明出處】http://blog.csdn.net/guyuealian/article/details/51471085

這是一篇很難寫(xiě)的文章，因?yàn)槲蚁Ｍ@篇文章能對(duì)學(xué)習(xí)者有所啟發(fā)。我在空白頁(yè)前坐下，并且問(wèn)自己了一個(gè)很難的問(wèn)題：什么樣的庫(kù)、課程、論文和書(shū)籍對(duì)于機(jī)器學(xué)習(xí)的初學(xué)者來(lái)說(shuō)是最好的。

文章里到底寫(xiě)什么、不寫(xiě)什么，這個(gè)問(wèn)題真的讓我很煩惱。我必須把自己當(dāng)做一個(gè)程序員和一個(gè)機(jī)器學(xué)習(xí)的初學(xué)者，站在這個(gè)角度去考慮最合適的資源。

我找出了每個(gè)類型中最適合的資源。如果你是一個(gè)真正的初學(xué)者，并且樂(lè)意于開(kāi)始了解機(jī)器學(xué)習(xí)領(lǐng)域的相關(guān)知識(shí)，我希望，你可以在我的文章中找到有用的資料。我的建議是，從中挑出一件來(lái)，一本書(shū)或者是一個(gè)庫(kù)，反復(fù)閱讀或者認(rèn)真學(xué)習(xí)所有的相關(guān)教程。挑出一個(gè)并且堅(jiān)持學(xué)習(xí)，直到你完全掌握，再重新選擇一個(gè)，重復(fù)這個(gè)學(xué)習(xí)過(guò)程。現(xiàn)在就讓我們開(kāi)始吧！

Programming Libraries 編程庫(kù)資源

我是一個(gè)“學(xué)習(xí)要敢于冒險(xiǎn)和嘗試”觀念的倡導(dǎo)者。這是我學(xué)習(xí)編程的方式，我相信很多人也是這樣學(xué)習(xí)程序設(shè)計(jì)的。先了解你的能力極限，然后去拓展你的能力。如果你了解如何編程，可以將編程經(jīng)驗(yàn)很快借鑒到深入學(xué)習(xí)機(jī)器學(xué)習(xí)上。在你實(shí)現(xiàn)一個(gè)實(shí)際的產(chǎn)品系統(tǒng)之前，你必須遵循一些規(guī)則、學(xué)習(xí)相關(guān)數(shù)學(xué)知識(shí)。

找到一個(gè)庫(kù)并且仔細(xì)閱讀相關(guān)文檔，根據(jù)教程，開(kāi)始嘗試實(shí)現(xiàn)一些東西。下面列出的是開(kāi)源的機(jī)器學(xué)習(xí)庫(kù)中最好的幾種。我認(rèn)為，并不是他們中的每一種都適合用在你的系統(tǒng)中，但是他們是你學(xué)習(xí)、探索和實(shí)驗(yàn)的好材料。

你可以從一個(gè)由你熟悉的語(yǔ)言編寫(xiě)的庫(kù)開(kāi)始學(xué)習(xí)，然后再去學(xué)習(xí)其他功能強(qiáng)大的庫(kù)。如果你是一個(gè)優(yōu)秀的程序員，你會(huì)知道怎樣從一種語(yǔ)言，簡(jiǎn)單合理地遷移到另一種語(yǔ)言。語(yǔ)言的邏輯都是相同的，只是語(yǔ)法和API稍有不同。

• R Project for Statistical Computing：這是一個(gè)開(kāi)發(fā)環(huán)境，采用一種近似于Lisp的腳本語(yǔ)言。在這個(gè)庫(kù)中，所有你想要的與統(tǒng)計(jì)相關(guān)的功能都通過(guò)Ｒ語(yǔ)言提供，包括一些復(fù)雜的圖標(biāo)。CRAN(你可以認(rèn)為是機(jī)器學(xué)弟的第三方包)中的機(jī)器學(xué)習(xí)目錄下的代碼，是由統(tǒng)計(jì)技術(shù)方法和其他相關(guān)領(lǐng)域中的領(lǐng)軍人物編寫(xiě)的。如果你想做實(shí)驗(yàn)，或是快速拓展知識(shí)，R語(yǔ)言都是必須學(xué)習(xí)的。但它可能不是你學(xué)習(xí)的第一站。
• WEKA：這是一個(gè)數(shù)據(jù)挖掘工作平臺(tái)，為用戶提供數(shù)一系列據(jù)挖掘全過(guò)程的API、命令行和圖形化用戶接口。你可以準(zhǔn)備數(shù)據(jù)、可視化、建立分類、進(jìn)行回歸分析、建立聚類模型，同時(shí)可以通過(guò)第三方插件執(zhí)行其他算法。除了WEKA之外，?Mahout是Hadoop中為機(jī)器學(xué)習(xí)提供的一個(gè)很好的JAVA框架，你可以自行學(xué)習(xí)。如果你是機(jī)器學(xué)習(xí)和大數(shù)據(jù)學(xué)習(xí)的新手，那么堅(jiān)持學(xué)習(xí)WEKA，并且全心全意地學(xué)習(xí)一個(gè)庫(kù)。
• Scikit Learn:這是用Python編寫(xiě)的，基于NumPy和SciPy的機(jī)器學(xué)習(xí)庫(kù)。如果你是一個(gè)Python或者Ruby語(yǔ)言程序員，這是適合你用的。這個(gè)庫(kù)很用戶接口友好，功能強(qiáng)大，并且配有詳細(xì)的文檔說(shuō)明。如果你想試試別的庫(kù)，你可以選擇Orange。

• Octave:如果你很熟悉MatLab，或者你是尋求改變的NumPy程序員，你可以考慮 Octave。這是一個(gè)數(shù)值計(jì)算環(huán)境，與MatLab像是，借助Octave你可以很方便地解決線性和非線性問(wèn)題，比如機(jī)器學(xué)習(xí)算法底層涉及的問(wèn)題。如果你有工程背景，那么你可以由此入手。

• BigML:可能你并不想進(jìn)行編程工作。你完全可以不通過(guò)代碼，來(lái)使用 WEKA那樣的工具。你通過(guò)使用BigMLS的服務(wù)來(lái)進(jìn)行更加深入的工作。BigML通過(guò)Web頁(yè)面，提供了機(jī)器學(xué)習(xí)的接口，因此你可以通過(guò)瀏覽器來(lái)建立模型。

挑選出一個(gè)平臺(tái)，并且在你實(shí)際學(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候使用它。不要紙上談兵，要去實(shí)踐！

Video Courses視頻課程

很多人都是通過(guò)視頻資源開(kāi)始接觸機(jī)器學(xué)習(xí)的。我在YouTube和VideoLectures上看了很多于機(jī)器學(xué)習(xí)相關(guān)的視頻資源。這樣做的問(wèn)題是，你可能只是觀看視頻而并不實(shí)際去做。我的建議是，你在觀看視頻的時(shí)候，應(yīng)該多記筆記，及時(shí)后來(lái)你會(huì)拋棄你的筆記。同時(shí)，我建議你將學(xué)到的東西付諸實(shí)踐。

坦白講，我沒(méi)有看見(jiàn)特別合適初學(xué)者的視頻資源。視頻資源都需要你掌握一定的線性代數(shù)、概率論等知識(shí)。Andrew Ng在斯坦福的講解可能是最適合初學(xué)者的，下面是我推薦的一些視頻資源。

• Stanford Machine Learning斯坦福的機(jī)器學(xué)習(xí)課程：可以在Coursera上觀看，這門(mén)課是由 Andrew Ng講解的。只要注冊(cè)，你可以隨時(shí)觀看所有的課程視頻，從Stanford CS229 course下載講義和筆記。這門(mén)課包括了家庭作業(yè)和小測(cè)試，課程主要講解了線性代數(shù)的知識(shí)，使用Octave庫(kù)。

• Caltech Learning from Data加利福尼亞理工學(xué)院的數(shù)據(jù)分析課程：你可以在edX上學(xué)習(xí)這門(mén)課程，課程是由Yaser Abu-Mostafa講解的。所有的課程視頻和資料都在加利福尼亞理工學(xué)院的網(wǎng)站上。與斯坦福的課程類似，你可以根據(jù)自己的情況安排學(xué)習(xí)進(jìn)度，完成家庭作業(yè)和小論文。它與斯坦福的課程主題相似，關(guān)注更多的細(xì)節(jié)和數(shù)學(xué)知識(shí)。對(duì)于初學(xué)者來(lái)說(shuō)，家庭作業(yè)可能稍有難度。

• Machine Learning Category on VideoLectures.Net網(wǎng)站中的機(jī)器學(xué)習(xí)目錄：這是個(gè)很容易令人眼花繚亂的資源庫(kù)。你可以找出比較感興趣的資源，并且深入學(xué)習(xí)。不要糾結(jié)于不適合你的視頻，或者對(duì)于感興趣的內(nèi)容你可以做筆記。我自己會(huì)一直重復(fù)深入學(xué)習(xí)一些問(wèn)題，同時(shí)發(fā)現(xiàn)新的話題進(jìn)行學(xué)習(xí)。此外，在這個(gè)網(wǎng)站上你可以發(fā)現(xiàn)是這個(gè)領(lǐng)域的大師是什么樣的。

• “Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard講授：這是與機(jī)器學(xué)習(xí)競(jìng)賽者的對(duì)話，他們是一些實(shí)踐中的R語(yǔ)言用戶。這是非常珍貴的資源，因?yàn)楹苌儆腥藭?huì)討論研究一個(gè)問(wèn)題的完整過(guò)程和究竟怎樣做。我曾經(jīng)幻想過(guò)在網(wǎng)上找到一個(gè)TV秀，記錄機(jī)器學(xué)習(xí)競(jìng)賽的全過(guò)程。這就是我開(kāi)始學(xué)習(xí)機(jī)器學(xué)習(xí)的經(jīng)歷！

Overview Papers綜述論文

如果你并不習(xí)慣閱讀科研論文，你會(huì)發(fā)現(xiàn)論文的語(yǔ)言非常晦澀難懂。一篇論文就像是一本教科書(shū)的片段，但是論文會(huì)介紹一個(gè)實(shí)驗(yàn)或者是領(lǐng)域中其他的前沿知識(shí)。然而，如果你準(zhǔn)備從閱讀論文開(kāi)始學(xué)習(xí)機(jī)器學(xué)習(xí)的話，你還是可以找到一些很有意思的文章的。

• The Discipline of Machine Learning機(jī)器學(xué)習(xí)中的規(guī)則：這是由Tom Mitchell編著的白皮書(shū)，其中定義了機(jī)器學(xué)習(xí)的規(guī)則。Mitchell在說(shuō)服CMU總裁為一個(gè)百年內(nèi)都存在的問(wèn)題建立一個(gè)獨(dú)立的機(jī)器學(xué)習(xí)部門(mén)時(shí)，也用到了這本書(shū)中的觀點(diǎn)。

• A Few Useful Things to Know about Machine Learning：這是一篇很好的論文，因?yàn)樗栽敿?xì)的算法為基礎(chǔ)，又提出了一些很重要的問(wèn)題，比如：選擇特征的一般化，模型簡(jiǎn)化等。

我只是列出了兩篇重要的論文，因?yàn)殚喿x論文會(huì)讓你陷入困境。

Beginner Machine Learning Books給機(jī)器學(xué)習(xí)初學(xué)者的書(shū)

關(guān)于機(jī)器學(xué)習(xí)的書(shū)有很多，但是幾乎沒(méi)有為初學(xué)者量身定做的。什么樣的人才是初學(xué)者呢？最有可能的情況是，你從另外一個(gè)完全不同的領(lǐng)域比如：計(jì)算機(jī)科學(xué)、程序設(shè)計(jì)或者是統(tǒng)計(jì)學(xué)，來(lái)到機(jī)器學(xué)習(xí)領(lǐng)域。那么，大部分的書(shū)籍要求你有一定的線性代數(shù)和概率論的基礎(chǔ)。

但是，還有一些書(shū)通過(guò)講解最少的算法來(lái)鼓勵(lì)程序員學(xué)習(xí)機(jī)器學(xué)習(xí)，書(shū)中會(huì)介紹一些可以使用工具、編程函數(shù)庫(kù)來(lái)讓程序員嘗試。其中最有代表性的書(shū)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）。如果感到迷惑的話，你可以選擇其中一本開(kāi)始學(xué)習(xí)。

• Programming Collective Intelligence: Building Smart Web 2.0 Applications：這本書(shū)是為程序員寫(xiě)的。書(shū)中簡(jiǎn)略介紹相關(guān)理論，重點(diǎn)以程序?yàn)槔?#xff0c;介紹web中的實(shí)際問(wèn)題和解決辦法。你可以買(mǎi)來(lái)這本書(shū)，閱讀，并且做一些練習(xí)。

• Machine Learning for Hackers? （中文版：機(jī)器學(xué)習(xí):實(shí)用案例解析?）：我建議你在閱讀了《Programming Collective Intelligence》一書(shū)之后，再閱讀這本書(shū)。這本書(shū)中也提供了很多實(shí)踐練習(xí)，但是涉及更多的數(shù)據(jù)分析，并且使用R語(yǔ)言。我個(gè)人很喜歡這本書(shū)！

• Machine Learning: An Algorithmic Perspective：這本書(shū)是《Programming Collective Intelligence》的高級(jí)版本。它們目的相同（讓程序員開(kāi)始了解機(jī)器學(xué)習(xí)），但是這本書(shū)包括一些數(shù)學(xué)知識(shí)，參考樣例和phython程序片段。如果你有興趣的話，我建議你在看完《Programming Collective Intelligence》之后來(lái)閱讀這本書(shū)。

• 數(shù)據(jù)挖掘：實(shí)用機(jī)器學(xué)習(xí)工具與技術(shù)（英文版·第3版）?：我自己是從這本書(shū)開(kāi)始了解機(jī)器學(xué)習(xí)的，那時(shí)是2000年這本書(shū)還是第一版。我那時(shí)是Java程序員，這本書(shū)和WEKA庫(kù)為我的學(xué)習(xí)和實(shí)踐提供了一個(gè)很好的環(huán)境。我通過(guò)這樣的平臺(tái)和一些插件，實(shí)現(xiàn)我的算法，并且真正開(kāi)始實(shí)踐機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的過(guò)程。我強(qiáng)烈推薦這本書(shū)，和這樣的學(xué)習(xí)過(guò)程。

• Machine Learning（中文版：計(jì)算機(jī)科學(xué)叢書(shū):機(jī)器學(xué)習(xí)?）：這是一本很老的書(shū)，包括了一些規(guī)則和很多參考資料。這是一本教科書(shū)，為每個(gè)算法提供了相關(guān)講解。

有一些人認(rèn)為那些經(jīng)典的機(jī)器學(xué)習(xí)教科書(shū)很了不起。 我也贊同，那些書(shū)的確非常好。但是，我認(rèn)為，對(duì)于初學(xué)者來(lái)說(shuō)，這些書(shū)可能并不合適。

Further Reading 繼續(xù)閱讀

在寫(xiě)這篇文章時(shí)，我認(rèn)真思考了相關(guān)問(wèn)題，同時(shí)也參考了其他人推薦的資料，以確保我沒(méi)有遺漏任何重要參考資料。為了確保文章的完整性，下面也列出了一些網(wǎng)上流行的，可以供初學(xué)者使用的材料。.

• A List of Data Science and Machine Learning Resources:這是一份仔細(xì)整理的列表。你可以花一些時(shí)間，點(diǎn)擊鏈接，仔細(xì)閱讀作者的建議。值得一讀！

• What are some good resources for learning about machine learning Why：這個(gè)問(wèn)題的第一個(gè)答案令人吃驚。每次我閱讀這篇文章的時(shí)候，都會(huì)做好筆記，并且插入新的書(shū)簽。答案中對(duì)我最有啟發(fā)的部分是機(jī)器學(xué)習(xí)課程列表，以及相應(yīng)的課程筆記和問(wèn)答網(wǎng)站。

• Overwhelmed by Machine Learning: is there an ML101 book：這是StackOverflow上的問(wèn)題。并且提供了一系列機(jī)器學(xué)習(xí)推薦書(shū)籍。Jeff Moser提供的第一個(gè)答案是很有用的，其中有課程視頻和講座的鏈接。

你是不是以及讀過(guò)或者用過(guò)上面的一些資源了呢？你怎么看這個(gè)問(wèn)題？

我是不是如愿為那些對(duì)機(jī)器學(xué)習(xí)有興趣的初學(xué)者提供了重要、有用的資源呢？請(qǐng)留下你的建議，讓我們分享！

總結(jié)

以上是生活随笔為你收集整理的机器学习入门学习资源的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。