冬日夜雨tanjun.blog.chinaunix.net

把自己角色扮演好,全力以赴每一秒。因为梦想,所以坚持!

  • 博客访问: 475742
  • 博文数量: 83
  • 博客积分: 3812
  • 博客等级: 上校
  • 技术积分: 992
  • 用 户 组: 普通用户
  • 注册时间: 2007-04-16 20:53
文章分类

全部博文(83)

文章存档

2013年(1)

2010年(10)

2009年(25)

2008年(21)

2007年(26)

微信关注

IT168企业级官微



微信号:IT168qiye



系统架构师大会



微信号:SACC2013

订阅
热词专题
机器学习书籍资料推荐 2013-04-17 01:06:26

分类: 大数据

    机器学习的资料较多,初学者可能会不知道怎样去有效的学习,所以对这方面的资料进行了一个汇总,希望能够对和我一样的初学者有一定的借鉴。

1. 数学基础
    机器学习是构建于数学的基础之上的,因此只有把数学的基本功打好,才能够在机器学习领域有长远的发展。正所谓”勿在浮沙筑高台“。
    • 微积分:微积分学教程 (F.M.菲赫金哥尔茨)俄罗斯的数学书
    • 线性代数:Linear Algebra and Its Applications,Third Edition (David C.Lay)讲得很实际,线性代数最重要的就是与实际应用相联系才能够理解其意义
    • 概率与统计:概率论与数理统计 (陈希孺)或(盛骤/谢式千/潘承毅)这两本书都很不错
    • 随机过程:应用随机过程:概率模型导论 (Sheldon M. Ross)这本书已经出到第10版了
    这四门是数学的基础,当然数学本身就是博大精深的,下面这个链接中有更深入的一些资料可以学习。
   林达华推荐的几本数学书:http://blog.sciencenet.cn/blog-722391-578745.html 
   上面是基本的一些数学知识,下面是其它的一些资料:
    • http://blog.csdn.net/abcjennifer/article/details/7691571
    • 数据挖掘中所需的概率论与数理统计知识、上:http://blog.csdn.net/v_july_v/article/details/8308762
    • 正态分布的前世今生:http://www.52nlp.cn/tag/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F
    • LDA数学八卦
    • 机器学习中的数学:http://leftnoteasy.cnblogs.com/
   都是牛人们的精彩分享,谢谢。

   对于数学的学习,个人觉得如果时间不够,可以先略读,之后再看机器学习算法时,若有不懂的,才知道去哪个地方查找,然后再根据机器学习中的具体应用加深对该处数学知识的掌握。

2. 机器学习与数据挖掘(偏理论)
    • 统计学习方法 (李航)
    • 统计学习基础 (Trevor Hastie, Robert Tibshirani, Jerome Friedman)
    • Pattern Recognition and Machine Learning (Christopher Bishop)
    • Machine Learning: A Probabilistic Prespective (Kevin Murphy)
    • Pattern classification (Richard O. Duda, Peter E. Hart and David G. Stork)
    • Introduction to Machine Learning (Ethem Alpaydin)
    • Data Mining (韩家炜) 
    • 现代模式识别 (孙即祥) 
   个人觉得《统计学习方法》与《统计学习基础》这两本书是基础,后面的书内容相差不大,所以前两本书应该看,而入门的话,后面的书可以选1到2本精读,剩下的书可作参考。

3. 智能算法(偏应用)
    • Web智能算法 (Haralambos Marmanis, Dmitry Babenko)
    • 集体智慧编程 (Toby Segaran
    • 推荐系统实践 (项亮)
    • 数据之魅 (Pbilipp K.Janert)
   这几本书均是从实践的角度讲解了机器学习中常用的算法,非常值得一看。

4. Deep Learning
   Deep Learning最近几年非常热门,受到了业界广泛的关注。
    • 斯坦福大学的网站:http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial ,其中国内的业界牛人对其进行了翻译,也在该网站上
    • Deep Learning的前世今生:http://www.cnblogs.com/avril/archive/2013/02/08/2909344.html
    • 深度学习的一些教程:http://baojie.org/blog/2013/01/27/deep-learning-tutorials/

5. 视频学习资源
    前两个是Andrew Ng的
    • http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning
    • http://v.163.com/special/opencourse/machinelearning.html
    • http://work.caltech.edu/telecourse.html
    • http://v.163.com/special/opencourse/daishu.html   线性代数公开课

6. 其它书籍
    • 数学之美 (吴军)鼎鼎大名的书就不用多说了,对当前搜索、自然语言处理等领域所常用的算法进行了讲解
    • 研究之美 (Knuth)40年前写好的书,去年才在国内买到,很小的册子
    • 从一到无穷大
    个人觉得,上面的书基本上包括了机器学习入门所需要的一些知识,若能用心学完,基本上算是入门了。之后若是理论研究,则不断阅读最新的文献,而投向于工业界,则只有不断实践,才能够更好地将机器学习的理论应用于平时的工作中。
   
   当然,限于我自身知识的局限性,还有更多的好资料没能列于其中,还请各位多多指教。同时,若文中有何不足之处,也请各位不吝赐教,谢谢!




阅读(37559) | 评论(1) | 转发(3) |
0

上一篇:“余则成”教你办公室生存法则20条 (转)

下一篇:没有了

给主人留下些什么吧!~~

teak0012014-12-22 11:06:44

下载链接: http://pan.baidu.com/s/1gdw3nVH 密码: okpv

网盘失效的话,请加QQ: 3113533060

课程内容:
第1周 机器学习概论
第2周 线性回归与Logistic。案例:电子商务业绩预测
第3周 岭回归,Lasso,变量选择技术。从一团乱麻中识别有用维度的技巧
第4周 降维技术。案例:业绩综合指标设计
第5周 线性分类器,Knn算法,朴素贝叶斯分类器,文本挖掘,案例:智能判断垃圾短信,通过文本挖掘给用户加标签,评论自动分析,用户流失预警
第6周 决策树,组合提升算法,bagging和adaboost,随机森林。案例:运营商用户分析
第7周 支持向量机,为什么能理解SVM的人凤毛麟角?
第8周 人工神经网络,单层感知器,线性神经网络,BP神经网络,基于梯度下降的学习算法,图像压缩和银行用户信用评估
第9周 通用逼近器径向基函数神经网络,在新观点下审视PDA和SVM。Hopfield联想记忆型神经网络。案例:字符识别,人脸识别
第10周 概率神经网络和信念贝叶

评论热议
请登录后评论。

登录 注册