研究生初学机器学习的几点建议

      通过我自己的这大半年的接触和了解，结合找工作需要现对于如何入门机器学习提几点自己的看法。如果你以后要想干算法工程师、机器学习工程师，数据挖掘工程师。那么请你好好看一下我下面说的话。

============================================================================

总路线

 

     先学机器学习，再学深度学习（实验室某大神学长的建议），至少精通深度学习的一个方向：CV和NLP。期间要插科打诨地复习好数据结构、数学基础和强化你的编程能力。

---------------------------------------------------------------------------------------------------------------------------

• 数学功底：概率论、线性代数、高数、信息论（主要是信息熵那部分）。
• 数据结构：树、栈、链表、队列、图！慢慢琢磨吧。（要有优化算法复杂度的意识）
• 编程能力：请转移到leetcode、赛码阵营好好磨练。《剑指offer》这本书是需要你好好看的。

----------------------------------------------------------------------------------------------------------------------------------

 

      书籍的话：《统计学习方法》（李航）、《机器学习》西瓜书、《深度学习》（Yoshua Bengio & Ian GoodFellow）、《PRML》（选看）、《利用python进行数据分析》

 

      吴恩达的深度学习，机器学习课程，一些其他机器学习课程都可以看。在这里，推荐一下中国海洋大学 黄海广 博士牵头的将吴恩达视频做成的中文版学习笔记：机器学习和深度学习。我自己还没有看，不清楚质量如何，但是应该比较省事了。有钱的话，推荐优达学城，不过贵，不免费。深度学习的工具tensorflow和pytorch，可以买本书看，学会看官方文档，这两个工具掌握一个就好。可以通过打比赛（天池、京东、腾讯、kaggle等），做项目，进一步强化自己的动手能力。

 

      大数据的话要会，要了解并行化分布式的东西，比如hadoop,spark,Hive等，要明白底层的工作原理。

     机器学习主要模型：线性回归，逻辑回归，svm，各种树模型。原理公式要会，会推导。（如果你要走机器学习岗的工作），现在算法岗对深度学习用处多一些。

     经典算法：EM,HMM,贝叶斯网络，朴素贝叶斯，聚类，PCA,LDA，高斯混合模型。

    概率论相关：各种分布，极大似然，最大后验，假设检验的过程（显著性水平和p的区别和联系），卡方检验等等。