机器学习资源浩如烟海,本文对机器学习资源做了相关整理,希望大家能够根据自己的细分研究领域,着重关注某些学习资源。可能某几个网页链接打不开,那说明需要“科学”上网。
机器学习也是一门实践学科,最好的学习就是不断的实践,推荐 BigQuant 人工智能量化投资 一站式的python+机器学习+量化投资平台,打开浏览器就可以使用投资数据和机器学习算法。
书籍
-
《Programming Collective Intelligence》(《集体智慧编程》)
作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》(《数据之美:解密优雅数据解决方案背后的故事》)的作者。这本书最大的优势就是里面没有理论推导和复杂的数学公式,是很不错的入门书。 -
《数学之美》
作者吴军大家都很熟悉。以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。 -
《统计学习方法》
作者李航,是国内机器学习领域的几个大家之一,曾在MSRA任高级研究员,现在华为诺亚方舟实验室。书中写了十个算法,每个算法的介绍都很干脆,直接上公式,是彻头彻尾的“干货书”。 -
《机器学习》介绍周志华老师的这本书非常适合作为机器学习入门的书籍,书中的例子十分形象且简单易懂。
-
《An Introduction to Statistical Learning with Applications in R》
这是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的新书,并且在2014年一月已经开课:Statistical Learning -
《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》
也是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的书,但是从比较高深的视角讲解机器学习。 -
《Pattern Recognition and Machine Learning》
本书从贝叶斯学派的角度,讲解机器学习。相信可以从这本书中得到很多很好的见解。 -
《Introduction to Machine Learning》
一本比较精简的机器学习数据,介绍了很多全面并且基础的机器学习理论。 -
《Kernel Methods for Pattern Analysis》
SVM等统计学的诸多工具里都用到了核方法,可以将将低维非线性空间映射到高维的线性空间中,但同时会引入高维数据的难题。 -
《Machine Learning A Probabilistic Perspective》
本书就是一本大杂烩。 这本书涉及的内容很广,概率图模型、GLM、Nonparametric Method,甚至最近比较火的Deep Learning也包括了。 -
《Machine Learning》
作者Tom Mitchell是CMU的大师,有机器学习和半监督学习的网络课程视频。这本书是领域内翻译的较好的书籍,讲述的算法也比《统计学习方法》的范围要大很多。据评论这本书主要在于启发,讲述公式为什么成立而不是推导;不足的地方在于出版年限较早,时效性不如PRML -
《Data Mining: Practical Machine Learning Tools and Techniques》(《数据挖掘:实用机器学习技术》)
作者Ian H. Witten 、Eibe Frank是weka的作者、新西兰怀卡托大学教授。这本书最大的特点是对weka的使用进行了介绍,作为入门书籍还可,但是,经典的入门书籍如《集体智慧编程》、《智能web算法》已经很经典,学习的话不宜读太多的入门书籍,建议只看一些上述两本书没讲到的算法。 -
《Brief History of Machine Learning》
这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. -
《Deep Learning in Neural Networks: An Overview》
这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以时间排序,从1940年开始讲起,到60-80年代,80-90年代,一直讲到2000年后及最近几年的进展。涵盖了deep learning里各种tricks,引用非常全面. -
《A Gentle Introduction to Scikit-Learn》
这是一份python机器学习库,如果您是一位python工程师而且想深入的学习机器学习.那么这篇文章或许能够帮助到你. -
《Machine Learning is Fun!》
如果你还不知道什么是机器学习,或则是刚刚学习感觉到很枯燥乏味。那么推荐一读。这篇文章已经被翻译成中文,如果有兴趣可以移步 有趣的机器学习:最简明入门指南 - 文章 - 伯乐在线 -
Choosing a Machine Learning Classifier
我该如何选择机器学习算法,这篇文章比较直观的比较了Naive Bayes,Logistic Regression,SVM,决策树等方法的优劣,另外讨论了样本大小、Feature与Model权衡等问题。此外还有已经翻译了的版本:如何选择机器学习算法 - 我爱机器学习 -
《A Deep Learning Tutorial: From Perceptrons to Deep Networks》
深度学习概述:从感知机到深度网络,作者对于例子的选择、理论的介绍都很到位,由浅入深。翻译版本:深度学习概述:从感知机到深度网络 - xiaowanyer - 博客园