机器学习资源和路线图

机器学习资料：

1. 台湾大学林轩田老师的”机器学习基石”
http://www.bilibili.com/video/av1624332/?from=search&seid=5267157557318528006
只看完一部分，不错，推荐。

2. 进阶课程：台湾大学林轩田老师的”机器学习技法”
http://www.bilibili.com/video/av6991226/?from=search&seid=7275447825968521174

3. Andrew Ng的Standford机器学习公开课
http://open.163.com/special/opencourse/machinelearning.html
名气很大，不过没怎么看。

上面这几个视频课程都是名气比较大的，喜欢视频课程的人可以看看。不过本人比较喜欢看书，遇到好的书看起来比较视频课程快很多。

---

一些比较有名的书籍，如：
4. 周志华的西瓜书<<机器学习>>
https://book.douban.com/subject/26708119/
已读完一半，广度不错，基本机器学习的各方面都覆盖到了，不过都是概述性的介绍，事先没有一点基础会比较难读懂，只读这些远远不够的。

5. 李航 <<统计学习方法>>
https://book.douban.com/subject/10590856/
读了几章就没往下看了，感觉不好，不是很推荐。倒不是惧怕数学，对数学书籍，本人比较喜欢有数学思想贯穿的书籍，而不只是罗列一堆公式和没有灵感的生硬推导，读起来累，读完后也很容易忘。可能本人的概率论与数理统计、贝叶斯统计的知识还需要加强。
一般计算机的工科生有比较好的微积分、线性代数、概率论与数理统计的知识，再加上一点泛函、抽代、优化理论等现代数学知识就更好了（这块不需要独立地去补，找好一点的机器学习书籍就会有介绍）。不过本人学习下来感觉机器学习领域需要很强的统计学知识和统计推断思想，这块需要补。

其他一些有名的书籍就不列了（美国、加拿大、英国那些有名的CS名校 ，都有比较好的书籍）。

---

下面推荐一些不常见，却非常好的资料，理论与实践有很好的结合。（我的学习方式：比较喜欢网上找资料学习。对于书籍，如果是非理论性的，一般是跟不上IT的发展速度的）

6. 零基础入门深度学习系列
https://zybuluo.com/hanbingtao/note/433855
已读，强烈推荐。很不错，文笔和逻辑都很清晰。

7. 机器学习算法效果演示：playground tensorflow
http://playground.tensorflow.org/
已玩，推荐。Google基于TensorFlow的作品，可以实际感受一下机器学习的效果。

8. Deeplearning4j学习文档
https://deeplearning4j.org/cn/index
已读，推荐，文档结构和逻辑都很清晰。可以下载example代码实际玩一玩。DL4j是基于Java的深度学习实现库。很多人可能会推荐TensorFlow（基于Python）或Caffe2（基于C++），不过以国内的互联网公司现状和本人工程实践来说，还是更喜欢看Java的实现，可以结合大数据处理框架Spark/Flink。Java领域的2个经典实现库DL4j和apache mahout，可以重点学习。以后有时间再去看Python的实现 :)

9. 张连文 <<贝叶斯网引论>>
https://book.douban.com/subject/1974704/
已读，强烈推荐。系统地介绍贝叶斯统计和推断的知识，逻辑清晰，图表丰富。

10. 刘未鹏：平凡而又神奇的贝叶斯方法
http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/
已读，推荐。深入浅出地介绍贝叶斯方法背后的本质思想。

11. Deep Learning e-book中文版
https://github.com/exacity/deeplearningbook-chinese
正在读，深度学习的全面介绍，强烈推荐。看目录就知道了，有完整的数学预备知识介绍。

还找到一个有丰富实践的blog：http://www.cnblogs.com/hellochennan/category/813102.html，有时间可以看看。

---

最后推荐2本经典的大部头著作，能啃完这两本，那差不多可以去做研究了:)。

1. 人工智能：一种现代方法
https://book.douban.com/subject/25796281/

2. 信息论、推理与学习算法
https://book.douban.com/subject/1893050/