by--香蕉麥樂迪
機器學習簡介：
機器學習是許多演算法的統稱，其中包含最近幾年火熱的深度學習，還包括許多適用於各種不同場景的其他機器學習演算法（邏輯斯特回歸，svm，knn，adaboost，em，kmeans等等），這些演算法從誕生到現在都有了幾十年的歷史；
深度學習指的是深度神經網路，其中用於處理影象的是深度卷積網路（cnn），用於處理自然語言的是深度遞迴網路（rnn）；當前業界在無人駕駛、語音識別、影象識別等等諸多領域的突破都源於深度神經網路；
人物介紹：
國外學習資料：
主要有網頁資料和書籍，再就是**，網頁資料上手快，有相應的**練習，書籍系統而全面適合更深入的了解；
1、 ufldl：
這個是吳恩達關於神經網路的乙個教程，有中文翻譯，有matlab的練習，能夠理解基本的原理；
2、 史丹福大學的cs229課程：
斯坦福的學生上的是這門課，以前這門課就是吳恩達講的，這裡有課程的講義；
4、 《deep learning》，bengio
系統的介紹深度學習的一本書，對於系統的學習深度學習是很有用的；
5、 《prml》
系統的介紹各種機器學習演算法，對於系統的學習機器學習是很有用的；
國內學習資料：
國內機器學習的資料不多，但是好處就是中文更加便於我們理解，配合英文看學習更快，推薦入門的時候看這三本書；
1、 《機器學習實戰》
本書用python快速幫我們實現了各種機器學習演算法，這本書沒有什麼公式，這樣看起來很輕鬆，python是非常常用的指令碼，這個是一定要學的；
2、 統計學習方法—李航
這本書是國內的經典，基本上學習機器學習的人都是人手一本，本書很薄，但是公式推導清晰明了，這本書可以作為機器學習數學公式推導的參考書；作者李航現在是華為諾亞方舟的主任；
3、 機器學習--周志華
這本書是今年出的，是國內第一本全面系統介紹機器學習的書，作為對機器學習整體的了解和學習是很好的；
說明：掌握這些就超過了95%的碩士；
需要的計算機基礎知識
1、 語言：c++
由於深度學習的計算量很大，所以當前研究都是靠gpu的訓練，研究深度學習的同學都是在各種框架上做實驗（caffe，tensorflow，matconvnet等），所以底層都是c++來是實現的，平常我們或多或少會接觸；
2、 指令碼：python
真正最常用的應該是python，我們通過python來呼叫框架來實現我們需要的功能；在公司裡面python的使用是非常多的，學習起來非常簡單，這門語言很優美很簡潔很直觀；
3、 matlab：
有一種最簡單的方式做深度學習，就是使用matlab，在matconvnet框架上做，matconvnet框架底層也是用c++實現的，跟caffe一樣，但是使用者並不需要關注，只需要用matlab做實驗就好了；但是壞處是，這種做法適合學術界，但是公司是不能用matlab，不被企業界認可；
其他計算機基礎知識
在寫**做實驗的時候，經常會用到各種計算機的基礎知識，無法避免但是若是系統學習勢必會花費很長的時間，所以若要快速切入那就是需要什麼學習什麼；我去年一年大部分的時間是花在系統學習這些基礎知識上去了，真正學習演算法的時間很少；
1、 語言基礎：c++
推薦書籍《c++ primer》
2、 指令碼基礎：python
推薦書籍《python核心程式設計》
3、 資料結構基礎：
推薦書籍《資料結構》—嚴蔚敏
4、 演算法基礎：
5、 作業系統基礎：
6、 計算機網路基礎：
7、 資料庫基礎：
說明：計算機專業的本科學生，大學四年主要就是學習這些課程，掌握這些就超過了90%的本科生；
從0開始的機器學習的學習
mar 2,2015 從2012年開始我在微博上關注了一些混段子界和學術界 主要是計算機視覺和機器學習 的博主，很有收穫，總算找到一些門道。其實也簡單，首先還是要補充自己的數學基礎，即線性代數 概率論以及微積分等。我自己的微積分還記得，馬馬虎虎，線性代數幾乎忘掉，完全是靠重新學習 mit的線代代數入...
從 0 開始機器學習 機器學習系統的設計
建議先花點時間實現乙個簡單能用的演算法，比如線性回歸 房價，不需要一開始就花很多時間設計複雜的演算法 在軟體開發中叫避免過早優化 你可以先實現能用的演算法，然後利用上篇文章從 0 開始機器學習 機器學習演算法診斷中的學習曲線等診斷法來分析演算法的優化方向，這樣乙個簡單的演算法就成為了優化問題的好工具...
從 開始機器學習
寫在前面 感覺自己學習的東西挺雜，好多都是浮於表面，沒有深度，總是會有一種不踏實的感覺，決心從這一次做起，認認真真的研究乙個方向 這是相當於第二次安裝ubuntu pyhton virtualenv tensorfloe opendv了，還記得第一次安裝的時候，總是有點小害怕，不過害怕歸害怕，錯誤是...