良心推荐：机器学习入门资料汇总及学习建议（2018版）

本文转载自：机器学习初学者

作者           ：黄海广

机器学习初学者公众号自从2018年10月开设以来，发表了不少机器学习入门的宝贵资料，受到广大机器学习爱好者的好评，本文对2018年本站发过的文章进行分类和汇总，以便初学者更好地学习。（作者：黄海广）

机器学习入门，初学者遇到的问题非常多，但最大的问题就是：

资料太多！！！看不完！！！不知道如何取舍！！！

我曾经写了一篇初学者入门的文章：《机器学习简易入门-附推荐学习资料》，这篇文章给初学者指明了学习的方向，受到广大初学者好评。

在此基础上，结合本站已经发过的文章，整理出一个机器学习的入门路线，本路线适合本科、硕士以及刚接触机器学习的博士。

入门以后，遇到问题能上网搜索解决了，也知道接下来应该学什么。

一、机器学习的数学基础

正规的机器学习数学基础主要有：

数学分析（微积分），线性代数，概率论，统计，应用统计，数值分析，常微分方程，偏微分方程，数值偏微分方程，运筹学，离散数学，随机过程，随机偏微分方程，抽象代数，实变函数，泛函分析，复变函数，数学建模，拓扑，微分几何，渐近分析......

以上内容可能引起初学者不适。

其实大部分人学习机器学习的目的，只要会用机器学习算法及工具，解决一些问题，了解算法的基本原理即可，并不需要学得那么深入。没有几个人能像博士一样扎实地学好数学基础，只是希望快速入门机器学习，那么只需要掌握必要的几个基础点就好了。机器学习的数学最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程应该是本科必修的。本站整理了一个简易的数学入门文章。

本站推荐文章：

  • 机器学习的数学基础

    如果真的忘了基础公式，那就看下上面这篇文章：，可以把这篇文章提供下载数学资料看一遍，不需要全看懂，但是基础的公式要大致明白，能从资料中查找公式，里面有两个公式总结材料：a.机器学习的数学基础.docx（中文版，对高等数学、线性代数、概率论与数理统计三门课的公式做了总结） ，b.斯坦福大学机器学习的数学基础.pdf（原版英文材料，非常全面，建议英语好的同学直接学习这个材料）。

二、经典的机器学习资料和教程

1)吴恩达《机器学习》公开课

原课程地址：coursera.org/course/ml

机器学习入门的最佳教程应该是吴恩达老师的《机器学习》公开课，这门课面向初学者，注重实际应用，并不侧重数学推导。这门课开课较早，但到现在仍然是最火的机器学习公开课，评分非常高，课程配套作业（octave版本）。

学习这个课程注意事项：

  • 第五章Octave教程、第十八章应用实例，这两章可以不用学，有点过时了。

  • 原版的octave作业可以不用做，可以做修改过的python版本作业。

  • 如果和吴恩达老师的《深度学习》公开课一起看，第四、五、六周的内容可以直接学习《深度学习》的相关内容。

  • 这个教程建议在三个月内看完，如果有些地方看不懂，没关系，以后用到的时候再回头看看。

  • 这个课程建议配合课程笔记一起看。本站已经提供了笔记下载

2) 《机器学习小抄-（像背托福单词一样理解机器学习）》

把机器学习的概念做成背托福单词的随身小抄一样方便！分分钟搞定机器学习各种记不住的概念！这篇建议用一周时间看完，注意是略读，有些地方不懂没关系，做下记录，以后用到的时候再查。

3) 李航《统计学习方法》

《统计学习方法》详细介绍支持向量机、Boosting、最大熵、条件随机场等十个统计学习方法。对数学基础有一定要求，这是经典中的经典，很多国内的网课，互联网企业的面试、笔试题目，或多或少，参考了这本书的内容，对初学者来说，有点难度，但是，如果想通过面试笔试，这本书应该要看懂，试着推导下算法。

本站用python实现了大部分算法，建议试着运行下。

4) 台湾大学林轩田老师的《机器学习基石》、《机器学习技法》课程

台湾大学林轩田老师的《机器学习基石》《机器学习技法》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。

这门课有一个配套教材：《Learning From Data》（LFD），林轩田也是编者之一。这本书的主页为：http://amlbook.com/。豆瓣上关于这本书的评分高达9.4，还是很不错的，值得推荐！可以配套视频一起学习。这本书内容通俗易懂，非常精彩，不是单纯罗列公式，是一本非常适合入门的机器学习书籍。

5) 吴恩达《深度学习》公开课

原课程地址：www.deeplearning.ai

这个视频教程用最简单的方式，把深度学习的主要算法和框架讲得非常清楚，课程附带代码作业和测试题作业，学完以后，深度学习就算入门了。每章的学习建议：

  • 第一章：神经网络与深度学习

    部分内容是《机器学习》公开课的第四、第五周的升级版

  • 第二章：改善深层神经网络

    这部分内容基本没有和《机器学习》公开课有重合部分。

  • 第三章：结构化机器学习项目

    部分内容是机器学习的第六周的升级版。

  • 第四章：卷积神经网络

    这部分主要用于图像、目标检测方面的，相当于斯坦福CS231n深度学习与计算机视觉-李飞飞主讲的课程的简化。

  • 第五章：序列模型

这部分主要用于自然语言处理，注意一点：RNN/LSTM结构里的符号，和原始论文有点不一样，我们平时的博客、论文的符号，跟吴恩达老师的课程的符号略有区别。

6) 李宏毅《一天读懂深度学习》讲义

台大李宏毅教授的深度学习讲义，这是我见过最容易懂的深度学习入门资料，300多页的讲义能系统、通俗易懂地讲清楚深度学习的基本原理，如同机器学习小抄一样生动形象。

建议用几天时间把这个讲义浏览一次，可以基本了解什么是深度学习，深度学习有什么用。

本站整理的推荐文章：

  • 吴恩达《深度学习》测试题翻译和解答，面试笔试必备。

三、学好编程语言

机器学习理论上需要精通Python、Java、R、MATLAB、C++等编程语言。

如果只是入门，仅推荐Python这门编程语言。

机器学习主要的代码工具为Python，Python学习到底要学到什么程度？个人感觉：入门最重要，至少要学到碰到问题能查百度的程度。

1) Python安装：

关于python安装包，我推荐下载Anaconda，Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。下载地址：https://www.anaconda.com/download/ 推荐选Anaconda （python 3.7版本）

IDE：推荐使用pycharm，社区版免费，下载地址：https://www.jetbrains.com/

2) python入门的资料推荐

a.《利用python进行数据分析》

这本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题。这个是我看的第一本python入门资料，如果把代码都运行一次，基本上就能解决数据分析的大部分问题了。

下载地址：建议购买书，源代码可以上百度搜索。

注意：第二版中文翻译已经有人写了，建议搜索下载。

b.python入门笔记

作者李金，这个是jupyter notebook文件，把python的主要语法演示了一次，值得推荐。

下载地址：https://pan.baidu.com/s/1snmeqlR 密码：hkv8

c.南京大学python视频教程

这个教程非常值得推荐，python主要语法和常用的库基本涵盖了。

视频下载地址：https://yun.baidu.com/s/1cCbERs 密码:7thx

看完这三个资料，python基本入门了，同时可以使用scikit-learn等机器学习库来解决机器学习的问题了。

3) 深度学习主要框架的学习

深度学习的主要框架，最基础的，应该是Tensorflow和Keras。教程很多，可以选择性地学一下，本站推荐简便的入门方法：

a.Tensorflow入门

吴恩达《深度学习》公开课第二门课3.11介绍了Tensorflow的基本用法（对应笔记p251），这些用法会了以后，基本上能看懂大部分代码了，结合该课程的代码作业，不懂的地方搜百度都能搜到了。

此外有个资源要推荐下：

资源地址：

https://github.com/aymericdamien/TensorFlow-Examples

本资源旨在通过示例轻松深入了解TensorFlow。 为了便于阅读，它包括notebook和带注释的源代码。

它适合想要找到关于TensorFlow的清晰简洁示例的初学者。 除了传统的“原始”TensorFlow实现，您还可以找到最新的TensorFlow API实践（例如layers,estimator,dataset, ......）。

b.Keras入门

《python深度学习》书和配套代码，《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦·肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。

作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。

本站对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。

本站认为，这本书和代码是初学者入门深度学习及Keras最好的工具。

c.Pytorch入门

资源地址：

https://github.com/yunjey/pytorch-tutorial

这个资源为深度学习研究人员提供了学习PyTorch的教程代码大多数模型都使用少于30行代码实现。 在开始本教程之前，建议先看完Pytorch官方教程。

本站推荐文章：

四、论文相关和大师之作

学好英语，熟读经典论文，并且读最新的机器学习论文，如顶级会议论文等，掌握最新的技术方向，要经常看技术类博客和文章，也要会写论文。

英文不好的话，输入论文名称，通常能查到该论文的中文内容的博客和文章，这样稍微轻松点。

在计算广告和推荐系统中，CTR预估一直是一个核心问题。无论在工业界还是学术界都是一个热点研究问题，近年来也有若干相关的算法竞赛。本文介绍一个基于深度学习的CTR模型包DeepCTR，具有简洁易用、模块化和可扩展的优点。（本文作者：沈伟臣）代码主页：https://github.com/shenweichen/DeepCTR

赞 (0)

相关推荐