继NLP之后,我又开了ML这个大坑。这是因为NLP涉及到太多的ML模型,仅仅拿过来用的话,我实现的HanLP已经快到个人极限了。而模型背后的原理、如何优化、如何并行化等问题,都需要寻根求源才能解决。
所以我找了个书单自学,电子书为主,顺便分享出来。
- ML书单
- │ 李航.统计学习方法.pdf
- │ 机器学习及其应用.pdf
- │ All of Statistics - A Concise Course in Statistical Inference - Larry Wasserman - Springer.pdf
- │ Machine Learning - Tom Mitchell.pdf
- │ PRML.pdf
- │ PRML读书会合集打印版.pdf
- │ Programming Collective Intelligence.pdf
- │ [奥莱理] Machine Learning for Hackers.pdf
- │ [机器学习]Tom.Mitchell.pdf
- │ 《大数据:互联网大规模数据挖掘与分布式处理》迷你书.pdf
- │ 推荐系统实践.pdf
- │ 数据挖掘-实用机器学习技术(中文第二版).pdf
- │ 数据挖掘_概念与技术.pdf
- │ 机器学习-Mitchell-中文-清晰版.pdf
- │ 机器学习导论.pdf
- │ 模式分类第二版中文版Duda.pdf(全).pdf
- │ 深入搜索引擎--海量信息的压缩、索引和查询.pdf
- │ 矩阵分析.美国 Roger.A.Horn.扫描版.pdf
- │ 统计学习基础 数据挖掘、推理与预测.pdf
- │
- ├─机器学习实战
- │ machinelearninginaction.zip
- │ 机器学习实战 单页.pdf
- │ 机器学习实战.pdf
- │
- └─论文文集
- └─LDA
- LDA-wangyi.pdf
- LDA数学八卦.pdf
- text-est.pdf
下载地址:百度网盘。
现在正在看《统计学习方法》,边看便用Python实现。再用Matplotlib可视化,简直太完美了,比如kd树的构建算法:
以前也看过《机器学习实战》,不过感觉偏应用,原理没讲清楚,所以中断了。再往前面看过的《智能Web算法》也是偏应用的,过了一遍之后收获也不大。至于一些兜售“XX学习班”的博客,也就采集网上零落的博文,贴一些公式和理论甚至是戏说的程度。大部分博主都挑自己擅长的讲,挑自己容易找到的抄,这样导致网上公开的都是些千篇一律的浅显东西,只能看着玩,当不得真。至于代码,更不用想了。
感觉要入门,还是得从业界经典入门,那些“实战XXX”的书只能画个葫芦,然后读者只能画个瓢。
不是说网上大部分的机器学习教程都是这样的吗:
所以说还是得从原理开始打基础吧。
上面的书单是我这个外行搜集大家推荐次数比较多的书凑起来的,只是个人书单,不保证质量。这个书单应该会不断补充(话说回来,要是能都看完估计也很了得了),如果路过的各路高人有任何建议的话,恳请留言指点迷津。
使用电子书的形式是因为,个人偏好。即使我买了实体书,一旦找到了电子书,我马上就会把纸质书扔到床底下。如果侵犯了任何人的权益,烦请及时通知。
至于何时填完这些坑,生命不息,奋斗不止吧。
网址:http://www.hankcs.com/ml/machine-learning-entry-list.html