机器学习入门--进阶资料和流程建议

1.入门教程

1.1李航老师的《统计学习方法》 数学原理讲的多

1.2周志华老师的《机器学习》

1.3斯坦福大学公开课  http://open.163.com/movie/2008/1/M/C/M6SGF6VB4_M6SGHFBMC.html     ng的视频

1.4 矩阵理论    《矩阵分析与应用》 张贤达 pdf 第二版     熟悉矩阵分解，特征值、特征向量等

1.5 最优化或者凸优化理论     看线性规划或者凸优化相关资料

1.6信息论和概率论      看deep learning(中文版)的前几章           

1.7深度学习      看deep learning(中文版) 和《神经网络与深度学习》

1.8 《机器学习实战》 python实现

2.学习软件和库

2.1 python ,numpy,scipy,matplotlib (安装方式：下载python3.#，安装。如果没有安装pip，则手动下载安装pip；执行pip install numpy,pip install scipy;pip install matplotlib)

2.2 sklearn,xgboost (执行pip install sklearn,pip install xgboost)      sklearn包含了大部分机器学习相关的技术   sklearn 中文网站：http://blog.csdn.net/chinachenyyx/article/details/75299043

2.3 tensorflow,keras (执行pip install tensorflow;pip install keras)    tensorflow包含了大部分深度学习相关的技术，keras是高度集成的深度学习框架

2.4 jieba(安装方式：pip install jieba)  自然语言处理的工具，主要用于分词

2.5 gensim (安装方式：pip install gensim) 自然语言处理的工具，包含了很多自然语言处理的技术

2.7模型结果图示化工具graphviz    参考资料：http://blog.csdn.net/love_data_scientist/article/details/78635032

 3.学习流程建议：

3.1可以先看李航老师的《统计学习方法》 和 《机器学习实战(python实战)》，不用贪多，比如《机器学习实战(python实战)》看一章，在《机器学习实战(python实战)》中找到相应的章节练习。走几个算法有感觉慢慢就好了

3.2等熟悉了机器学习处理的问题的一般流程，可以学习sklearn库相关的资料，因为库中帮我们实现了很多算法

3.3前两步完成了可以学习tensorflow(或者直接学习keras)

3.4学习完上面的，

可以学习推荐系统相关的东西，参考资料http://blog.csdn.net/love_data_scientist/article/details/77807880

可以学习自然语言相关的东西，入门为主不易入坑过深，参考资料http://blog.csdn.net/love_data_scientist/article/details/78110326；http://blog.csdn.net/love_data_scientist/article/details/78459999

关键是要理论和实践相结合，否则收获不大，而且容易忘

算法依托数据，数据决定了模型的上限，而算法只是逼近这个上限而已。

所以学习完机器学习相关的知识，还要补充数据处理相关的技术，比如hadoop,hive,mysql，尤其map-reduce的实现，可以使用java,python,shell等实现map-reduce,看个人喜好。参考资料：http://blog.csdn.net/love_data_scientist/article/details/78560668

如果还想深入学习，还可以学习一下数据检索以及结果展示相关的知识，比如ES(elastic search)，ELK(Elasticsearch、Logstash和Kibana)等
---------------------
作者：love_data_scientist
原文：https://blog.csdn.net/love_data_scientist/article/details/78768159