读书笔记——机器学习

Andrew Ng在Coursera开设的Machine Learning

国立台湾大学林轩田老师的机器学习基石与机器学习技法

大体上，上面几门课是我反复看了好几遍的，我觉得对于MOOC课程的学习，把一门课学好远远比得上刷50张证书（考虑到之前那段疯狂刷证的经历...悔恨ing）。

另外，ML是基于数据的，因此分布式的计算平台是很实用的，edx上有两门高质量的相关课程： Big data analysis with spark 、scalable machine learning 

 

周志华老师的新书《机器学习》非常赞，我也在读，在南京的话，也可以去蹭他的这学期新开的同名课程，应该没有座位orZ。

如果对深度学习有兴趣（恩，就是AlphaGo那个），UFLDL 是很不错的入门

 

线性代数、微积分、概率论、统计学习、矩阵分析了，进阶部分还有凸优化、泛函分析、随机过程、测度论等等。

统计学习理论、矩阵分析、数值优化、凸分析、泛函分析、测度论、概率图模型、大规模数值计算、强化学习etc.

这里推荐几本书：elements of statistic learning、convex optimaztion 、矩阵分析、Approximation Theory

需要说明的是，这里仅仅推荐的是自己看过的，或者正在看的书，当然好书是很多的，如PRML、统计学习方法等等，知乎上也有相关问题的很好回答 

阅读源码和开源项目是非常好的学习途径，Kaggle上有很多大牛比赛后的公开源码，跟着后面自己实现一遍会帮助很大。

另外，有人总结了一个很好的资料集，里面收集了很多相关资料。

 

我们处于一个知识爆炸的时代，所以我还是觉得，好好看一门课，读一本书，fork一个源码，远远比得上泛而不精的学习。这里也没推荐多少课程和书单，每个人都有自己的侧重点，这里仅仅是我自己的学习经历，重要一点是不能急躁，打好基础，修炼之路很长。

总之，此ML非彼ML，good luck and have fun~