最佳机器学习入门级资源

这是一篇非常难写的文章，同时我希望这篇文章对于入门学习的朋友是真正有价值、有帮助的。

起初，关于这个问题，我脑子其实是一片空白的。我在想图书馆里的书、课程资料、论文、书籍哪个更加适合推荐给机器学习领域的入门初学者。

期间，我很纠结应该减掉、增加哪些内容。我努力把自己置身于程序员和初学者之中，从他们的角度思考哪些资源最有利于他们学习“机器学习”。

我精心挑选最好的资源。如果你真的是一个初学者，并且极其希望在机器学习领域有所耕耘，希望你能从中找到一些对你有帮助的知识。我的建议是专注于一项资料，一本书或一个编程库，并反复阅读其中涵盖的知识、教程。选择一样，坚持下去，一旦你已经掌握透了，再换一本书，反复阅读这本书。让它融入你的知识储备。

编程库

我认为，对于一件事应该学到可以构成威胁为止，再开始小试身手。

这就是我学习编程的方法，我相信很多其他人也是这样学习的。了解你的局限性，充分利用你的优势。如果你知道如何编程，可以利用它来快速深入了解“机器学习”。在你开始操作之前，应该先进行大量的训练，学习数学相关知识。

找到一个编程库，阅读文档，按照教程，开始尝试。以下是最好的开源机器学习编程库。它们并非都适合在你的生产系统中使用，但它们是很好学习资源，你可以从中学习、探索、研究。

你可以从一个熟悉的语言库开始，然后转到其他更强大的编程库。如果你是一名优秀的程序员，相信你可以很容易地在各种语言之间切换。它们的逻辑是相同的，只是在语法和API上略有不同。

• 用于统计计算的“R项目”（R Project）：这是一个环境和lisp脚本类似的语言。所有你想做的统计资料将被提供给R，包括一些测绘。CRAN上的机器学习类（第三方机器学习软件包）代码由该领域的领先人物编写，以及任何你能想到的东西。如果你想快速研究和探索，那么必须学习“R项目”。因此，你也可以从学习“R项目”（R Project）开始。
• WEKA：这是一个提供API的数据挖掘工作台，包含用于整个数据挖掘中所需的大量命令行，它也具有图形用户界面。可以用于准备数据，可视化探索，构建分类，回归和聚类模型，许多算法都内置在第三方插件中。如果您是大数据和机器学习的新手，请坚持使用WEKA并坚持一次学习一样东西。
• Scikit Learn：基于NumPy和SciPy构建的Python中的机器学习。如果你是一个Python或Ruby程序员，这是你的图书馆。这是友好的，功能强大，并提供优秀的文件。如果你想尝试别的，橙色将是一个很好的选择。
• Octave：如果你熟悉MatLab或者你是一个NumPy程序员寻找不同的东西，可以考虑Octave。这是一个像Matlab一样的数值计算环境，可以很容易地编写程序来解决线性和非线性问题，比如大多数机器学习算法的基础问题。如果你有工程背景，这可能是你开始的好地方。
• BigML：也许你不想做任何编程。您可以完全不用编程就可以像WEKA一样驱动工具。您可以进一步使用BigML等服务，在Web上提供机器学习界面，您可以在浏览器中浏览构建模型。

选择一个更适合自己的平台，用它进行“机器学习”实际学习。不要仅停留于学习表面，还要实际操作哦！

视频课程

很多初学者都很喜欢通过视频进行初步学习。

我在YouTube和VideoLectures.Net上观看了很多“机器学习”相关视频。但是有些人只是简单的看看视频，这并不是一种高效的学习方法。我建议在观看视频的时候应该记笔记，也可以对照视频自己演练一遍。

坦白说，我所见过的大多数视频课程都不太适合初学者。这些视频实际上都包含了线性代数和概率论的相关知识。

在我看过的视频中，Andrew Ng在斯坦福大学的讲座视频，很适合推荐给初学者。

• 斯坦福机器学习（Stanford·Machine Learning）：可通过Coursera观看，这个课程由Andrew Ng任教。在Coursera上报名后，可以随时观看所有讲座，并从斯坦福大学CS229课程中获得讲义和讲义笔记。这门课程包含作业和测验，并重点介绍线性代数（Linear algebra）和使用八度（Octave）。
• 加州理工学院·从数据中学习（Caltech·Learning from Data）：可通过edX观看，该课程由Yaser Abu-Mostafa授课。所有讲义和相关材料都可以在CalTech网站上找到。这门课程和斯坦福大学的课程一样，可以按照自己的节奏来完成作业和任务点。它涵盖了类似的主题，并进行了更加细致的学习，有更多有关数学的知识。该课程的作业对于初学者来说，可能具有一定的挑战性。
• VideoLectures.Net上的机器学习分类（Machine Learning Category on VideoLectures.Net）：这是一个在内容过载中淹没的容易的地方。找一些自己感兴趣的视频，看看是不是适合自己。如果发现选的课程太难了就换一个，找到自己喜欢的、适合自己的。
• “为数据科学的运动而变形” - 杰里米·霍华德（“Getting In Shape For The Sport Of Data Science” – Talk by Jeremy Howard）：与用户小组讨论如何在竞争激烈的机器学习中学习的更好。很少有人讨论解决问题的实际方法以及如何去做，所以这是很有效的学习方法。

论文概述

如果你不习惯阅读、研究论文，第一次阅读论文时，你会发现字里行间的语言非常僵硬。一篇论文就像是教科书中截取的片段，但它描述了一些实际情况。如果想要开始学习“机器学习”，你可能会在其中发现一些有趣的论文。

• 机器学习（The Discipline of Machine Learning）：由Tom Mitchell撰写，这是定义机器学习的白皮书。这是Mitchell用来说服CMU总裁创建一个独立的机器学习部门的一个论点（Tom Mitchell的简短的采访）。
• 关于机器学习的一些有用的知识（A Few Useful Things to Know about Machine Learning）：这是一篇很好的论文，因为它从特定的算法中出发，并激起了一些重要的问题，如特征选择泛化（feature selection generalizability）和简单模型（model simplicity）。从一开始就从正确的角度思考，这是一件好事。

我只列出了两篇重要的文章，因为阅读文章可能会让你失望。

初学者机器学习书籍

有很多机器学习书籍，但为初学者编写的书籍却很少。

什么是真的初学者？

最有可能的是，你来自另一个领域，但现在开始学习“机器学习”，那些领域可能是计算机科学，编程或统计学。即使如此，阅读大多数书籍都需要至少有线性代数和概率论的知识基础。

有一些书鼓励程序员从通过算法的基础部分开始，并指向工具和库，以便可以开始尝试。

最值得推荐的是 编程集体智能（Programming Collective Intelligence），黑客机器学习（Machine Learning for Hackers）和 数据挖掘（Data Mining）：分别用于Python，R和Java的实用机器学习工具和技术。如果有疑问，请阅读这三本书中的任意一本！

机器学习初学者的书籍

• 编程集体智能：构建智能Web 2.0应用程序（Programming Collective Intelligence: Building Smart Web 2.0 Applications）：本书是为程序员编写的。这本书不侧重于理论，重在代码示例和实际的网络问题、解决方案。买它、读它、做练习。
• 黑客机器学习（Machine Learning for Hackers）：我推荐在阅读 编程集体智慧（上文）之后，再学习这本书。它也提供了实用的实例，但它更多关于数据分析，以及使用R。我真的很喜欢这本书！
• 机器学习：一个算法的角度（Machine Learning: An Algorithmic Perspective）：这本书就像编程集体智慧的更高级版本。它有类似的内容（让机器学习开始的程序员），但它包括数学和参考，以及在Python中的例子和片段。如果对这本书有兴趣，我建议学习编程集体智慧（Programming Collective Intelligence）后阅读。
• 数据挖掘：实用机器学习工具和技术，第三版（Data Mining: Practical Machine Learning Tools and Techniques, Third Edition）：我实际上是从这本书开始的，实际上它是第一版，大约是2000年。我是一个Java程序员，这本书和随书库WEKA为我提供了一个完美的环境，可以将我自己的算法作为插件来实现，并且通常练习机器学习和更广泛的数据挖掘过程。我强烈推荐这本书和这条路。
• 机器学习（Machine Learning）：这是一本很老的书，包括公式和大量的参考文献。也是一本教科书，但对于每种算法都有很好的解释。

虽然很多人都有在讨论、推荐一些很棒的机器学习教科书，但很多都不适合初学者。

更生层次的阅读

我深深地思考了这个问题，我也去看了其他人的清单。

为了完整起见，下面是网络上一些关于机器学习入门的大量资源清单。

• 数据科学和机器学习资源列表：仔细整理一下这个列表。花时间阅读他的建议，然后点击链接。很棒的内容。
• 学习机器学习有什么好的资源？为什么？：这个Quora问题的第一个答案是惊人的。每次我读书时，我都会做笔记和书签。这个答案最有价值的部分是机器学习课程列表，包括讲座笔记和问答网站上的相关帖子列表。
• 机器学习不堪重负：ML101有没有书？：一个StackOverflow的问题。真的是机器学习书籍很棒的推荐列表。Jeff Moser的第一个回答列出了演讲视频和介绍，很有价值。