推荐|机器学习入门方法和资料合集

浏览: 2460

作者: 何从庆
公众号: AI算法之心

近些天在微信群里经常看小伙伴问到“机器学习如何入门,看哪些资料 ?”,于是乎想根据笔者学习两年多的学习经验,介绍下机器学习如何入门,该看哪些资料?下面我将从以下几个方面整理机器学习入门的资源:

(1)语言机器学习中常用的语言。

(2)书籍书中自有黄金屋,机器学习中涉及到的很多数学理论,只看视频或者博客是很难获取到完整的知识框架。

(3)视频书中有些公式推导很难理解,可以看看大牛们深入浅出的课程。

(4)博客经常看一些大牛们的分享,对于扩展知识面具有一定的帮助。

(5)比赛:实践是检验学习成果重要标准,参加一些算法竞赛,对于理解算法有着良好的帮助。

(6)论文:对于一些硕士来说,创新是检验学习能力重要体现。

语言

人生苦短,我用python”,python目前已经成为机器学习中最主流的语言,由于其丰富的算法库。

1、numpy: 最基础的python库之一

地址:http://www.numpy.org/

2、pandas: 常用于数据处理的库

地址:https://pandas.pydata.org/pandas-docs/stable/

3、scipy: SciPy是一个开源的Python算法库和数学工具包。

地址:https://docs.scipy.org/doc/scipy/reference/tutorial/index.html

4、scikit-learn:sklearn包含众多的算法接口,从监督学习到半监督学习,再到无监督学习。还有评价指标、特征选择等。

地址:https://scikit-learn.org/

5、scikit-multilearnmulti-label的算法库。

地址:http://scikit.ml/

还有一些深度学习的算法库,如:

6、keras:最适合入门深度学习的小伙伴的算法库。

地址:https://keras.io/zh/

还有一些较难的深度学习算法库,如tensorflow,pytorch。

书籍

1、《统计学习方法》:李航老师的《统计学习方法》这本书堪称经典,很多同学都靠着这本书找到理想的工作,强力推荐!对于许多想入门机器学习的小伙伴们,建议多看几遍这本书,弄懂算法的每一个细节

2、《机器学习》:周志华老师的《机器学习》这本书,很多人又称之为西瓜书,也是很有帮助的。基本涵盖机器学习的所有分支,如监督学习,无监督学习,半监督学习,强化学习,特征选择等。

3、《推荐系统实战》:项亮博士的《推荐系统实战》这本书,很适合对于想了解推荐系统的小伙伴们有一定的帮助。

4、《概率论与数理统计》:很多机器学习算法都是从统计学概率论上发展而来的,对于概率知识统计知识不足的小伙伴们,建议研读这本书。

5、《Pattern Recognition and Machine Learning》:如果有小伙伴们英文比较好,小伙伴们也可以看看PRML这本经典的书。

6、《Reinforcement Learning: An Introduction》:如果有小伙伴想研究强化学习,这是一本不错的强化学习入门书籍。

视频

如果小伙伴们对于上述书籍看起来很吃力,很难弄懂算法的来龙去脉,建议将书籍(初学者推荐:《统计学习方法》)与视频结合起来,相互促进。

1、吴恩达老师的公开课:网易云上和coursera上都有他的讲课,很基础的版本,建议大家入门的时候多看看这个视频。个人觉得coursera上面的课程比较简单点。

网易云上面的地址:http://open.163.com/special/opencourse/machinelearning.html

coursera上面的地址:

https://www.coursera.org/learn/machine-learning

2、李宏毅老师的课程:李宏毅老师的课程也是比较好,值得大家学习。

这里有整理好的版本:https://blog.csdn.net/soulmeetliang/article/details/77461607

博客

国内:

1、火光摇曳:腾讯技术大牛们的博客

地址:http://www.flickering.cn/

2、美团技术团队的博客:里面也有很多干货: 

地址:https://tech.meituan.com/

3、苏剑林的博客里面也全是干货

地址:https://spaces.ac.cn/

4、还有一些比较大型的博客网站,如博客园简书CSDN知乎等等。

国外:

1、Netflix:Netflix技术博客,很多干货。

地址:https://medium.com/netflix-techblog

2、Towards Data Science:主要分享些概念、idea和代码。

地址:https://towardsdatascience.com/

3、Github: all code is here。

比赛

学习机器学习的过程中,如何检验自己学习的成果呢?比赛就是一个比较好的方向,比赛其实可能会为了成绩,抠那千分位,百分位的差距,但是其实在比赛中思考才是最重要的。如何将这些经典的算法应用到工业中,这些算法在工业中的优缺点?慢慢体会!

国内比较大型的算法平台有:

天池大数据:

https://tianchi.aliyun.com/home/

datacastle:

http://www.pkbigdata.com/

datafountain:

https://www.datafountain.cn/

biendata:

https://biendata.com/

kesci:

https://www.kesci.com/

Jdata:

https://jdata.jd.com/

国外比较大型的算法平台有:

kaggle:

https://www.kaggle.com/

比赛平台有很多,这几个是比较出名的平台。大家可以去官网看一看,有很多正在进行中的比赛。另外,还有很多其他的平台,这里我就不介绍了。

论文

很多即将大四毕业,跨入研究生生活的师弟师妹们,也或者即将迈入研二的师弟师妹呢,是否还在为毕业发愁呢?小论文成为中国硕士毕业老难题!其实,写一篇比较简单的ccf c类的论文并不是很难,或许 ccf b  ccf a类的论文确实很难!如何入门呢?看近些年机器学习、人工智能的顶级会议、期刊论文(会议论文速度更快)。这里我仅整理下会议论文。

值得看的会议文章:

1、数据挖掘类:

SIGKDD:顶级数据挖掘论文。

2019年:审稿中

2018年accepted paper:

https://www.kdd.org/kdd2018/accepted-papers

2017年accepted paper:

https://www.kdd.org/kdd2017/accepted-papers

2016年accepted paer: 

https://www.kdd.org/kdd2016/program/accepted-papers

SIGIR:顶级推荐系统论文

2019年accepted paper:审稿中

2018年accepted paper: 

http://sigir.org/sigir2018/accepted-papers/

2017年accepted paper:

http://sigir.org/chiir2017/accepted-papers.html

2016年accepted paper: 

http://sigir.org/sigir2016/full-papers/

http://sigir.org/sigir2016/short-papers/

还有一些次顶级会议:CIKM/ECML-PKDD/ICDM/SDM/WSDM

2、机器学习类:

AAAI: 顶级人工智能综合会议

2019年accepted paper: 

https://aaai.org/Conferences/AAAI-19/wp-content/uploads/2018/11/AAAI-19_Accepted_Papers.pdf

2018年accepted paper: 

https://aaai.org/Conferences/AAAI-18/wp-content/uploads/2017/12/AAAI-18-Accepted-Paper-List.Web_.pdf

2017年accepted paper:  

https://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf

IJCAI: 顶级人工智能综合会议

2019年 accepted paper: 审稿中

2018年accepted paper: 

http://www.ijcai-18.org/accepted-papers/index.html

2017年accepted paper: 

https://ijcai-17.org/accepted-papers.html

ICML :顶级机器学习会议

2019年accepted paper: 审稿中

2018年accepted paper:

https://icml.cc/Conferences/2018/Schedule?type=Poster

2017年accepted paper: 

https://icml.cc/Conferences/2017/Schedule?type=Poster

NIPS:顶级综合人工智能会议

2019年accpeted paper: 征稿中

2018年accepted paper: 

https://nips.cc/Conferences/2018/Schedule?type=Poster

2017年accepted paper:

https://nips.cc/Conferences/2017/Schedule?type=Poster

还有一些其他的专业人工智能会议:如自然语言处理领域的 ACL/EMNLP/NAACL/COLING偏统计的人工智能会议:AISTATS

图像的人工智能会议:CVPR/ICCV/ECCV。小伙伴们可以看一些上述与自己相关的会议论文,针对论文的方法的不足,思考改进的方法!

Python的爱好者社区历史文章大合集

2018年Python爱好者社区历史文章合集(作者篇)

2018年Python爱好者社区历史文章合集(类型篇)

福利:文末扫码关注公众号,“Python爱好者社区”,开始学习Python课程:

关注后在公众号内回复“ 课程 ”即可获取:

小编的转行入职数据科学(数据分析挖掘/机器学习方向)【最新免费】

小编的Python的入门免费视频课程

小编的Python的快速上手matplotlib可视化库!

崔老师爬虫实战案例免费学习视频。

陈老师数据分析报告扩展制作免费学习视频。

玩转大数据分析!Spark2.X + Python精华实战课程免费学习视频。

推荐 1
本文由 Python爱好者社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册