机器学习的学习路线

#链接: http://blog.csdn.net/longxinchen_ml/article/details/50749614.
http://blog.csdn.net/han_xiaoyang/article/details/50759472
文章是简单版的学习路线图；
理论+实践才是能否学会的关键点；
其他需要的资源，需要的时候再找，毕竟从入门到放弃从来都不是因为找不到资源。

机器学习路线图

理论基础

机器学习基础

问题种类

分类问题：提取特征判别结果
回归问题：预测结果
聚类问题：样本数据自动分类

机器学习的典型方法

【分类】
逻辑回归、支持向量机、随机森林、朴素贝叶斯、深度神经网络等
【回归】
线性回归、最小二乘法、逐步回归
【聚类】
K-means、密度聚类

数学基础

微积分
线性代数
概率与统计

实践

编程

语言：Python
库：scikit-learn、libsvm
深度学习框架：Tensorflow、Keras
操作系统：Linux、 windows+Anaconda
大数据相关： Hadoop、 Spark

基本流程

1.数学建模： 将问题抽象成数学问题
2. 获取数据：数据的质量方面要具有代表性、数量方面要对量级进行评估
3. 特征处理： 预处理（ 归一化、离散化、因子化、缺失值处理、去除共线性）、特征选择（ 相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等）
4. 模型的训练和调优：理解算法超参数的意义
5. 模型诊断： 过拟合/欠拟合；误差分析

入门项目

分类

鸢尾花分类
Emojify –使用Python创建自己的表情符号
MNIST数字分类机器学习项目

回归

股价预测

聚类

对消费群体进行细分

【最后附上思维导图版路线】