machine-learning - 被机器学习淹没 - 有 ML101 的书吗？

Question

就目前而言，这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持，但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visit the help center为指导。




8年前关闭。




似乎有很多与机器学习相关的子领域。是否有一本书或博客概述了这些不同的领域以及每个领域的工作，也许如何开始，以及需要哪些背景知识？

Answer 1

这是我听过的关于机器学习的最好描述:

Machine learning is actually a software method. It's a way to generate software. So, it uses statistics but it's fundamentally... it's almost like a compiler. You use data to produce programs. - John Platt, Distinguished Scientist at Microsoft Research in his Future of AI series talk (2:17:53)

有些人甚至认为“everything that algorithms was to computer science 15 years ago, machine learning is today”。

有关更多详细信息，我建议您从有趣的介绍开始，例如 Peter Norvig 的 Theorizing from Data谈话，a peek at what DeepMind is doing ，或者最近的 Future of AI series of talks (我从上面引用的)。

接下来用 Jeremy Howard 的“Getting In Shape For The Sport of Data Science”弄脏你的手。这是实际处理数据的一个很好的实用概述。

一旦你玩了一会儿，请观看 Ben Hamner 的“Machine Learning Gremlins”，以获得关于在进行机器学习时容易出错的内容的实用免责声明。

在花了几个月的时间试图理解 Computing Your Skill 之后，我写了一篇博文“TrueSkill” ，在 Xbox Live 上进行匹配和排名的 ML 系统。这篇文章介绍了进一步研究机器学习所需的一些基础统计数据。

也许最好的学习方法就是尝试一下。一种方法是尝试 Kaggle听起来很有趣的比赛。尽管我在那里的排行榜上表现不佳，但我总是在尝试比赛时学到东西。

完成上述操作后，我会推荐更正式的东西，例如 Andrew Ng 的 online class .这是在大学水平，但平易近人。如果你已经完成了以上所有步骤，当你遇到一些更难的事情时，你会更有动力不放弃。

随着您继续，您将了解诸如 R 之类的内容。和它的 many packages , SciPy , Cross Validation , Bayesian thinking , Deep Learning , 和 much much more .

免责声明 :我在 Kaggle 工作，上面的几个链接提到了 Kaggle，但我相信它们是一个很好的起点。