机器学习学习入门路线

机器学习学习入门路线

一般来说，机器学习的课程涉及了很多数学、统计概率、以及优化方向的知识，大概包括：
- 线性代数：矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
- 统计与概率：概率分布，独立性与贝叶斯，最大似然(MLE)和最大后验估计(MAP)等
- 信息论：基尼系数，熵(Entropy)等
- 优化：线性优化，非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等
- 数值计算：上溢与下溢，平滑处理，计算稳定性(如矩阵求逆过程)
- 微积分：偏微分，链式法则，矩阵求导等

吴恩达教授的在Coursera上的课程基本上完全没有触及这些数学知识，吴恩达也不止一次的解释过原因：这门课没有使用过多数学的原因就是考虑到其受众广泛，因此用直觉式的解释大家有信心继续坚持学习。
将比较常见的机器学习资料数学从难到易进行排列(每个难度挑两个代表性资料)：

---

项目	名称	难度系数
book	Element of Statistical Learning，Machine Learning: A Probability Perspective	5
book	Pattern Recognition and Machine Learning , 统计学习方法	4
book	Machine Learning，机器学习(周志华)	3
video	吴恩达的Coursera课程，Introduction to Statistical Learning	2
book	Python Machine Learning，集体编程智慧	1

目录

流程图：