机器学习指南

学习之路

1：基础

1. 英语

   大学英语4级

2. 高数（线性代数、微积分）

   关键概念经查阅能随时记忆起来

3. 编程

4. 概率理论与统计学

2：理论

1. machine learning-Andrew Ng

   1. 百度网盘

   2. 在线学习

      Coursera是一个非常知名的公开课网站，Andrew Ng讲授的的“machine learning”课程可以说是它的成名作

2. 机器学习基石/技法-林轩田

3. 百度网盘

4. 统计学习方法-李航

介绍了统计机器学习的主要方法，主要是监督学习部分

4. 统计学习基础-Trevor Hastie

对当前较为流行的统计机器学习方法有较为全面的介绍

5. 机器学习-周志华

中文里最好的机器学习教科书

6. DEEP LEARNING 深度学习

目前关于深度学习最全面的图书

7. The element of statistical learning
8. 算法导论

3.实践

1. 机器学习实战

基于python对一些主要的机器学习算法进行了代码实现，一定要照着敲一遍

2. 利用Python进行数据分析

   numpy与pandas是python进行处理数据的两个关键库

3. Python machine learning

4. cs231n（Convolutional Neural Networks for Visual Recognition）

做图像识别的

4.实战

1. Competitions | Kaggle

一个机器学习竞赛网站

2. 阿里云天池
3. 中国版kaggle
4. leetcode

5.进阶

1. 模式分类 - Richard O. Duda
2. Pattern Recognition and Machine Learning -必读
3. 机器学习 - Tom Mitchell
4. 深度学习 - Ian Goodfellow
5. 数据挖掘导论 - Pang-Ning Tan

推荐

1.公开课

1. AndrewNg在coursera伤的机器学习课程
2. AngrewNg在163上的机器学习视频
3. Daphne Koller 图模型
4. Geoffrey Hinton神经网络

2.经典书籍

1. Tom M.Mitchell. Machine Learning
2. Kevin P. Murphy. Machine Learning: A Probabilistic Perspective
3. Christopher M.Bishop. Pattern Recognition and Machine Learning
4. Trevor Hastie , Robert Tibshirani , Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition
5. Richard O. Duda. Pattern Classification
6. 李航，统计学习方法
7. David Barber ，Bayesian Reasoning and Machine Learning