Machine learning 用于机器学习的有用入门级资源

我正在寻找一些关于机器学习的入门级职位。有人能给这个学科的新手提些建议吗？

机器学习是一个非常广泛的话题。我会从你感兴趣的领域开始，集中精力

---

此外，您还可以访问。

机器学习是一个非常广泛的主题。我会从你感兴趣的领域开始，集中精力

---

另外，您可以通过“帖子”访问。

，我假定您指的是任何在线可用的资源

我推荐两组资源：

首先，查找机器学习博客，其中博主的首选语言与您的相同。根据我的经验，阅读一篇关于单个主题（例如SVM）的博客文章，同时阅读作者随博客文章提供的源代码，对于程序员来说是学习ML的最佳方式。两个很好的例子是博客Python和Ruby。这两篇文章都至少包含了几篇文章，每一篇都描述了教程风格的特定ML技术，其中包括他们发布的源代码的详细介绍。特别是Igvita，有关于支持向量机、决策树、奇异值分解和集成方法的Ruby代码的优秀教程，如我提到的另一个博客，可以仅根据任一博客中的ML帖子教授高级本科课程

第二，我强烈推荐

这是迄今为止最好的资源，无论是免费的还是付费的——我发现无论是视频质量还是演示内容，视频讲座和机器学习教程的质量都非常高。这些视频讲座的目标受众范围从初学者到专家，有些讲座被特别标记为教程；他们中的大多数似乎在中间的某个地方。< /P> 所有的讲座和教程都是向经验丰富的专业人士和学者讲授的，在许多情况下，讲师是他/她所讲授主题的权威。该网站也是100%免费的

一个缺点是你无法下载讲座并将其存储在itunes中；然而，几乎每一堂课都有一套幻灯片，您可以下载，或者在观看演示时方便地在线观看

我看过的一些，我可以高度推荐：

半监督学习方法

机器学习导论

高斯过程基础

图形模型

k-最近邻模型

内核方法简介

---

我假设你所说的“帖子”是指任何在线可用的资源

我推荐两组资源：

首先，查找机器学习博客，其中博主的首选语言与您的相同。根据我的经验，阅读一篇关于单个主题（例如SVM）的博客文章，同时阅读作者随博客文章提供的源代码，对于程序员来说是学习ML的最佳方式。两个很好的例子是博客Python和Ruby。这两篇文章都至少包含了几篇文章，每一篇都描述了教程风格的特定ML技术，其中包括他们发布的源代码的详细介绍。特别是Igvita，有关于支持向量机、决策树、奇异值分解和集成方法的Ruby代码的优秀教程，如我提到的另一个博客，可以仅根据任一博客中的ML帖子教授高级本科课程

第二，我强烈推荐

这是迄今为止最好的资源，无论是免费的还是付费的——我发现无论是视频质量还是演示内容，视频讲座和机器学习教程的质量都非常高。这些视频讲座的目标受众范围从初学者到专家，有些讲座被特别标记为教程；他们中的大多数似乎在中间的某个地方。< /P> 所有的讲座和教程都是向经验丰富的专业人士和学者讲授的，在许多情况下，讲师是他/她所讲授主题的权威。该网站也是100%免费的

一个缺点是你无法下载讲座并将其存储在itunes中；然而，几乎每一堂课都有一套幻灯片，您可以下载，或者在观看演示时方便地在线观看

我看过的一些，我可以高度推荐：

半监督学习方法

机器学习导论

高斯过程基础

图形模型

k-最近邻模型

内核方法简介

---

斯坦福大学出版了一系列工程课程的视频和材料

Andrew Ng的一门课程侧重于机器学习技术。

该课程也可在iTunes U上获得

这是一门很好的课程，显然他对这个领域很了解，但他花了很多时间嘲笑他

---

g数学结果-因此，如果你对线性代数或prob/stats生疏，你可能需要先复习。

斯坦福大学在

Andrew Ng的一门课程侧重于机器学习技术。

该课程也可在iTunes U上获得

---

这是一门很好的课程，显然他对这个领域很了解，但他花了很多时间推导数学结果——因此，如果你对线性代数或prob/stats生疏，你可能需要先复习一下。

我认为我所知道的最好的是：

书籍：按易懂程度的降序排列-IMHO

---

我认为我所知道的最好的是：

书籍：按易懂程度的降序排列-IMHO

---

这本书怎么样：使用Scikit学习和TensorFlow进行机器学习？这本书怎么样：使用Scikit学习和TensorFlow进行机器学习？