機器學習相關內容

接觸計算機不長不短業餘的大學幾年加上工做三年，編程三年多，行業本身內心有了本身的打算，在程序這一塊的領域也有了本身的一點點體會，總有本身的想法。下一個三年的階段性目標：機器學習。

機器學習的子類是深度學習，父類是人工智能。
機器學習是大數據分析方法的一個分支。隸屬於大數據，大分析

機器學習的算法有不少，監督學習，無監督學習，以及推薦算法這一個特殊算法三類

目前是根據一篇博客來總體瞭解了一下，接下來的熟悉仍是老辦法，與同行交流和讀書結合，若是能在工做中用到，真的是幸運。

1.我轉載了一個朋友的書單，我還沒開始看。前段時間從算法入手，補充了一部分相關知識。
他的書單放在下面
（我對普通程序員的定義是：擁有大學本科知識；平時工做較忙；本身能獲取的數據有限。所以，本文更像是一篇 「from the scratch」 的AI入門教程。）
書單暫時找不到了，主要涉及大在於機器學習，數據挖掘，推薦系統的一些經典書籍

雲盤地址;https://pan.baidu.com/s/1bndMSer

2.學習目標，學習方針與學習計劃。學習目標比較清楚，就是踏入AI領域這個門。這個目標不大，所以實現起來也較爲容易。「過大的目標時就是爲了你往後放棄它時找到了足夠的理由」。學習方針能夠總結爲 「興趣爲先，踐學結合」。簡單說就是先培養興趣，而後學習中把實踐穿插進來，螺旋式提升。這種方式學習效果好，並且不容易讓人放棄。有了學習方針之後，就能夠制定學習計劃，也稱爲學習路線。

3.實踐作項目　

　　學習完了基礎課程，你對機器學習就有了初步瞭解。如今使用它們是沒有問題的，你能夠把機器學習算法看成黑盒子，放進去數據，就會有結果。在實戰中你更須要去關心如何獲取數據，以及怎麼調參等。若是有時間，本身動手作一個簡單的實踐項目是最好的。這裏須要選擇一個應用方向，是圖像（計算機視覺），音頻（語音識別），仍是文本（天然語言處理）。這裏推薦選擇圖像領域，這裏面的開源項目較多，入門也較簡單，可使用OpenCV作開發，裏面已經實現好了神經網絡，SVM等機器學習算法。項目作好後，能夠開源到到 Github 上面，而後不斷完善它。實戰項目作完後，你能夠繼續進一步深刻學習，這時候有兩個選擇，深度學習和繼續機器學習；
4.深度學習

　　深度學習：深度學習是目前最火熱的研究方向。有如下特色：知識更新快，較爲零碎，沒有系統講解的書。所以學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不表明很差，而是在這個初學階段不合適：

推薦，UFLDL： 很是好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高；
推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀徹底篇論文，給人高屋建瓴，一覽衆山小的感受，強烈推薦。若是隻能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯；
推薦，Neural networks and deep learning：這本書的做者很是擅長以淺顯的語言表達深入的道理，雖然沒有翻譯，可是閱讀並不困難；
推薦，Recurrent Neural Networks： 結合一個實際案例告訴你RNN是什麼，整篇教程學完之後，會讓你對RNN如何產生做用的有很清晰的認識，而這個效果，甚至是讀幾篇相關論文所沒有的；

不推薦，Neural Networks for Machine Learning - University of Toronto | Coursera：深度學習創始人教的課，最大的問題是太難，並且老先生的吐字有時不是很標準；
不推薦，Deep Learning (book)：一樣也是由深度學習大牛所寫的書，但感受就像是第二做者，也就是他的學生所寫的。不少內容都講了，可是感受也沒講出什麼內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。
不推薦，cs231n：李菲菲的課程，頗有名，專門講CNN。可是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。

先這樣，flag在這裏就好