课程
作为小白, 机器学习的入门门槛是极高的, 深入也是极难的. 而深度学习是建立在机器学习之上的, 所以我觉得在开始学习深度学习之前, 牢固学习机器学习十分有必要.
这里主要列一下学习的课程:
简要介绍一下上面的课程:
吴恩达机器学习是吴恩达在Coursera上的课程, 吴恩达老师的课程深入浅出, 同时是英语教学, 配合中文字幕可以熟悉大量的专业词汇, 便于之后查阅英文文档.
李弘毅机器学习课程是最推荐的, 上课比较风趣, 而且现在课程把机器学习,深度学习连接起来一起将, 十分深入浅出. 但是英文上课时中英文交杂, 有一些概念一带而过, 实现不了解可能一头雾水, 所以列在第二位. 可以在看完吴恩达的课程后继续学习.
CS229是吴恩达早些年在斯坦福任教的课程,和上面的网课有些区别, 时间紧迫可以先放下.
教材
作为小白, 专业的教材可以增加巨大的学习难度, 所以必不可少. 是不是认为说的有问题, 但是这就是现实, 机器学习的本质就是数学, 需要牢固的数学推导能力, 网课可以直觉上让人理解相关的算法, 但是算法的正确性是需要严格的数学推倒的, 网课不可能边上边推, 所以需要课下做作业, 推公式.
- Bishop < Pattern Recognization and Maching Learning>
- 李航 <统计学习方法>
- 周志华 <机器学习>
- 吴恩达课程相关笔记整理
- 李弘毅课程相关笔记整理
简要介绍一下上面的教材:
Pattern Recognization and Maching Learning简称为PRML, 中文名是模式识别与机器学习是机器学习的圣经, 我觉得是必须阅读. 目前以及未来所学的机器学习相关算法都可以在书中找到来源. 中文版是马春鹏老师翻译的没有出版, 但是某宝可以下到. 因为没有校对, 中文版有很多错误, 可以在网上搜到校对.
统计学习方法是李航博士的大作, 可以认为是PRML的延续,公式推导十分严谨,可以学习.
机器学习可能是目前最火的中文教材了, 涉及到机器学习的方方面面. 所以存在一些问题, 这本书本来是周志华老师上课用的讲义, 扩展而来, 本来适用于上课,同时老师教才能学会, 所以自学十分容易劝退.
网课相关笔记整理: 各种网课的大牛笔记可以在网上搜到, 配合课程, 这个可能是最入门的了.