机器学习的有用入门级资源

作者: 筱梨
发布时间: 2024-08-16 05:09:23 (6天前)
转自：

5 条回复

0#
回复此人
757461156 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> 我认为我所知道的最好的是： <a href="http://see.stanford.edu/see/lecturelist.aspx?coll=348ca38a-3a6d-4052-937d-cb017338d7b1" rel="nofollow noreferrer"> 斯坦福大学的机器学习讲座 </A> 书籍:(按照易于理解的顺序排列 - 恕我直言） <a href="https://rads.stackoverflow.com/amzn/click/com/1420067184" rel="nofollow noreferrer"> 机器学习：Stephen Marsland的算法视角 </A> <a href="https://rads.stackoverflow.com/amzn/click/com/0387310738" rel="nofollow noreferrer"> Christopher Bishop的模式识别和机器学习 </A> <a href="https://rads.stackoverflow.com/amzn/click/com/026201243X" rel="nofollow noreferrer"> 机器学习简介 - Ethem Alpaydin </A> </DIV>

编辑
1#
回复此人
木木 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> 通过'帖子'我会假设你的意思是在线提供任何资源。 我推荐两组资源： 首先，找到的 机器学习博客 </强> 其中博主的首选语言与您的语言相同。根据我的经验，在阅读作者的博客文章提供的源代码的同时阅读关于单个主题（例如，SVM）的博客文章是关于程序员学习ML的最佳方式。博客有几个很好的例子 <a href="http://blog.smellthedata.com/" rel="noreferrer"> 闻到数据 </A> （Python），和 <a href="http://www.igvita.com/" rel="noreferrer"> Igvita </A> （红宝石）。两者都包含（至少）几个帖子，每个帖子都描述了教程式的特定ML技术，其中包括他们（已发布）源代码的详细演练。特别是Igvita，有很好的教程，可以使用Ruby代码 支持向量机，决策树，奇异值分解和集合方法 - 就像我提到的另一个博客一样，高级本科课程可以仅根据博客中的ML帖子进行教学。 其次，我强烈推荐 <a href="http://videolectures.net/Top/#o=top&t=vl" rel="noreferrer"> VideoLectures.net </A> 。 这是迄今为止最好的来源 - 无论是免费的还是付费的 - 我找到了非常高的质量（无论是w / r / t视频质量还是w / r / t演示内容）的 关于机器学习的视频讲座和教程 </强> 。这些视频讲座的目标受众范围从初学者（一些讲座被特别标记为“教程”）到专家;他们中的大多数似乎都在中间的某个地方。 所有的讲座和辅导都是向经验丰富的专业人士和学者讲授的，在很多情况下，讲师是他/她讲课的主要权威。该网站也是100％免费的。 一个缺点是你不能下载讲座并将它们存储在例如itunes;但是，几乎每个讲座都有一组幻灯片供您下载（或者，您可以方便地在观看演示时在线查看）。 我看过的一些，我可以高度推荐： <UL> <LI> 半监督学习方法 </LI> <LI> 机器学习简介 </LI> <LI> 高斯过程基础 </LI> <LI> 图形模型 </LI> <LI> k-最近邻模型 </LI> <LI> 内核方法简介 </LI> </UL> </DIV>

编辑
2#
回复此人
北极星微控 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> 机器学习是一个如此广泛的话题。我会先说 <a href="http://en.wikipedia.org/wiki/Machine_learning" rel="nofollow noreferrer"> 维基百科 </A> 并专注于你感兴趣的领域。 另外，你可以访问 <a href="http://area51.stackexchange.com/proposals/7607/machine-learning"> 用于机器学习的堆栈交换站点 </A> 。 </DIV>

编辑
3#
回复此人
与之 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> 斯坦福大学出版了一系列工程课程的视频和材料 <a href="http://see.stanford.edu" rel="nofollow noreferrer"> http://see.stanford.edu </A> Andrew Ng的一门课程侧重于机器学习技巧 <a href="http://see.stanford.edu/see/courseinfo.aspx?coll=348ca38a-3a6d-4052-937d-cb017338d7b1" rel="nofollow noreferrer"> http://see.stanford.edu/see/courseinfo.aspx?coll=348ca38a-3a6d-4052-937d-cb017338d7b1 </A> 该课程也可在iTunes U上找到 对于一个明显了解该领域的人来说，这是一个非常好的过程，但是他花了很多时间来得出数学结果 - 所以如果你的线性代数或概率/统计数据生锈，你可能需要先进行复习。 </DIV>

编辑

登录后才能参与评论