机器学习入门心得——书籍、课程推荐

MOOCs

Coursera 上 Andrew Ng 的 Machine Learning 课程：适合 Machine Learning 的入门，我当时是研一的上学期听的这个课，学校的课还比较多，那时是完全按照他的课程日历来学的，每周都有Deadline，一共学习了3个月，就是通过这个课对机器学习有了一个整体的理解，学习课程的时候一定要记得做Assignment，非常有帮助。

研一下学期听了师兄们推荐的台湾大学的機器學習基石 (Machine Learning Foundations)和機器學習技法 (Machine Learning Techniques)，内容比Andrew Ng的机器学习稍微详细，老师在讲算法的时候会提到台湾大学用这个算法可以做什么以及参加的KDD比赛。

还有一个推荐的课程是百度的机器学习课程，讲师是余凯&张潼。

Stanford cs229 : Machine Learning

BOOKs

南大周志华教授的机器学习：这本书是16年新出的，内容比较新，中国人写的看起来比较舒服，内容主要是综述形式的，介绍的理论比较基础。 
李航博士的统计学习方法：也是中国人写的，从统计的角度写的，里面大量的公式推导，比较深入。 
机器学习实战：很多机器学习算法的Python实现，书带源码，实现比较方便。 
机器学习系统设计：书只有200页，容易坚持看完，Python实现，是从机器学习应用角度写的，适合机器学习入门。

极力推荐Pattern Recognition And Machine Learning 、Machine Learning： A Probabilistic Perspective、The Elements of Statistical Learning。这三本书是机器学习方面最权威最牛掰的书了。

另：推荐系统实践：作者项亮，推荐系统不可多得的一本好书。

Libs

scikit-learn：这是一个Python的机器学习库，用起来非常方便，里面的文档写的也比较好，可以参考学习。 
Weka：Java的机器学习库。 
LibSVM：SVM的机器学习包。 
XGBoost：Scalable and Flexible Gradient Boosting, wins many data science and machine learning challenges. Used in production by multiple companies.

Competition

Kaggle：机器学习竞赛。可以积累很多有用的经验。大多数时间里，赢得胜利并不是因为开发出了一个新算法，它往往在于巧妙地预处理、归一化、以及组合现有方法。

DATAs

加州大学欧文分校（UCI）的机器学习知识库