機器學習的最佳入門學習資源

這是一篇很難寫的文章，由於我但願這篇文章能對學習者有所啓發。我在空白頁前坐下，而且問本身了一個很難的問題：什麼樣的庫、課程、論文和書籍對於機器學習的初學者來講是最好的。

文章裏到底寫什麼、不寫什麼，這個問題真的讓我很煩惱。我必須把本身當作一個程序員和一個機器學習的初學者，站在這個角度去考慮最合適的資源。

我找出了每一個類型中最適合的資源。若是你是一個真正的初學者，而且樂意於開始瞭解機器學習領域的相關知識，我但願，你能夠在個人文章中找到有用的資料。個人建議是，從中挑出一件來，一本書或者是一個庫，反覆閱讀或者認真學習全部的相關教程。挑出一個而且堅持學習，直到你徹底掌握，再從新選擇一個，重複這個學習過程。如今就讓咱們開始吧！

Programming Libraries 編程庫資源

我是一個「學習要勇於冒險和嘗試」觀念的倡導者。這是我學習編程的方式，我相信不少人也是這樣學習程序設計的。先了解你的能力極限，而後去拓展你的能力。若是你瞭解如何編程，能夠將編程經驗很快借鑑到深刻學習機器學習上。在你實現一個實際的產品系統以前，你必須遵循一些規則、學習相關數學知識。

找到一個庫而且仔細閱讀相關文檔，根據教程，開始嘗試實現一些東西。下面列出的是開源的機器學習庫中最好的幾種。我認爲，並非他們中的每一種都適合用在你的系統中，可是他們是你學習、探索和實驗的好材料。

你能夠從一個由你熟悉的語言編寫的庫開始學習，而後再去學習其餘功能強大的庫。若是你是一個優秀的程序員，你會知道怎樣從一種語言，簡單合理地遷移到另外一種語言。語言的邏輯都是相同的，只是語法和API稍有不一樣。

• R Project for Statistical Computing：這是一個開發環境，採用一種近似於Lisp的腳本語言。在這個庫中，全部你想要的與統計相關的功能都經過Ｒ語言提供，包括一些複雜的圖標。CRAN(你能夠認爲是機器學弟的第三方包)中的機器學習目錄下的代碼，是由統計技術方法和其餘相關領域中的領軍人物編寫的。若是你想作實驗，或是快速拓展知識，R語言都是必須學習的。但它可能不是你學習的第一站。
• WEKA：這是一個數據挖掘工做平臺，爲用戶提供數一系列據挖掘全過程的API、命令行和圖形化用戶接口。你能夠準備數據、可視化、創建分類、進行迴歸分析、創建聚類模型，同時能夠經過第三方插件執行其餘算法。除了WEKA以外， Mahout是Hadoop中爲機器學習提供的一個很好的JAVA框架，你能夠自行學習。若是你是機器學習和大數據學習的新手，那麼堅持學習WEKA，而且全心全意地學習一個庫。
• Scikit Learn:這是用Python編寫的，基於NumPy和SciPy的機器學習庫。若是你是一個Python或者Ruby語言程序員，這是適合你用的。這個庫很用戶接口友好，功能強大，而且配有詳細的文檔說明。若是你想試試別的庫，你能夠選擇Orange。
• Octave:若是你很熟悉MatLab，或者你是尋求改變的NumPy程序員，你能夠考慮 Octave。這是一個數值計算環境，與MatLab像是，藉助Octave你能夠很方便地解決線性和非線性問題，好比機器學習算法底層涉及的問題。若是你有工程背景，那麼你能夠由此入手。
• BigML:可能你並不想進行編程工做。你徹底能夠不經過代碼，來使用 WEKA那樣的工具。你經過使用BigMLS的服務來進行更加深刻的工做。BigML經過Web頁面，提供了機器學習的接口，所以你能夠經過瀏覽器來創建模型。

挑選出一個平臺，而且在你實際學習機器學習的時候使用它。不要紙上談兵，要去實踐！

Video Courses視頻課程

不少人都是經過視頻資源開始接觸機器學習的。我在YouTube和VideoLectures上看了不少於機器學習相關的視頻資源。這樣作的問題是，你可能只是觀看視頻而並不實際去作。個人建議是，你在觀看視頻的時候，應該多記筆記，及時後來你會拋棄你的筆記。同時，我建議你將學到的東西付諸實踐。

坦白講，我沒有看見特別合適初學者的視頻資源。視頻資源都須要你掌握必定的線性代數、機率論等知識。Andrew Ng在斯坦福的講解多是最適合初學者的，下面是我推薦的一些視頻資源。

• Stanford Machine Learning斯坦福的機器學習課程：能夠在Coursera上觀看，這門課是由 Andrew Ng講解的。只要註冊，你能夠隨時觀看全部的課程視頻，從Stanford CS229 course下載講義和筆記。這門課包括了家庭做業和小測試，課程主要講解了線性代數的知識，使用Octave庫。
• Caltech Learning from Data加利福尼亞理工學院的數據分析課程：你能夠在edX上學習這門課程，課程是由Yaser Abu-Mostafa講解的。全部的課程視頻和資料都在加利福尼亞理工學院的網站上。與斯坦福的課程相似，你能夠根據本身的狀況安排學習進度，完成家庭做業和小論文。它與斯坦福的課程主題類似，關注更多的細節和數學知識。對於初學者來講，家庭做業可能稍有難度。
• Machine Learning Category on VideoLectures.Net網站中的機器學習目錄：這是個很容易使人眼花繚亂的資源庫。你能夠找出比較感興趣的資源，而且深刻學習。不要糾結於不適合你的視頻，或者對於感興趣的內容你能夠作筆記。我本身會一直重複深刻學習一些問題，同時發現新的話題進行學習。此外，在這個網站上你能夠發現是這個領域的大師是什麼樣的。
• 「Getting In Shape For The Sport Of Data Science」 – 由Jeremy Howard講授：這是與機器學習競賽者的對話，他們是一些實踐中的R語言用戶。這是很是珍貴的資源，由於不多有人會討論研究一個問題的完整過程和究竟怎樣作。我曾經幻想過在網上找到一個TV秀，記錄機器學習競賽的全過程。這就是我開始學習機器學習的經歷！

Overview Papers綜述論文

若是你並不習慣閱讀科研論文，你會發現論文的語言很是晦澀難懂。一篇論文就像是一本教科書的片斷，可是論文會介紹一個實驗或者是領域中其餘的前沿知識。然而，若是你準備從閱讀論文開始學習機器學習的話，你仍是能夠找到一些頗有意思的文章的。

• The Discipline of Machine Learning機器學習中的規則：這是由Tom Mitchell編著的白皮書，其中定義了機器學習的規則。Mitchell在說服CMU總裁爲一個百年內都存在的問題創建一個獨立的機器學習部門時，也用到了這本書中的觀點。
• A Few Useful Things to Know about Machine Learning：這是一篇很好的論文，由於它以詳細的算法爲基礎，又提出了一些很重要的問題，好比：選擇特徵的通常化，模型簡化等。
  我只是列出了兩篇重要的論文，由於閱讀論文會讓你陷入困境。

Beginner Machine Learning Books給機器學習初學者的書

關於機器學習的書有不少，可是幾乎沒有爲初學者量身定作的。什麼樣的人才是初學者呢？最有可能的狀況是，你從另一個徹底不一樣的領域好比：計算機科學、程序設計或者是統計學，來到機器學習領域。那麼，大部分的書籍要求你有必定的線性代數和機率論的基礎。

可是，還有一些書經過講解最少的算法來鼓勵程序員學習機器學習，書中會介紹一些可使用工具、編程函數庫來讓程序員嘗試。其中最有表明性的書是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。若是感到迷惑的話，你能夠選擇其中一本開始學習。

• Programming Collective Intelligence: Building Smart Web 2.0 Applications：這本書是爲程序員寫的。書中簡略介紹相關理論，重點以程序爲例，介紹web中的實際問題和解決辦法。你能夠買來這本書，閱讀，而且作一些練習。
• Machine Learning for Hackers （中文版：機器學習:實用案例解析 ）：我建議你在閱讀了《Programming Collective Intelligence》一書以後，再閱讀這本書。這本書中也提供了不少實踐練習，可是涉及更多的數據分析，而且使用R語言。我我的很喜歡這本書！
• Machine Learning: An Algorithmic Perspective：這本書是《Programming Collective Intelligence》的高級版本。它們目的相同（讓程序員開始瞭解機器學習），可是這本書包括一些數學知識，參考樣例和phython程序片斷。若是你有興趣的話，我建議你在看完《Programming Collective Intelligence》以後來閱讀這本書。
• 數據挖掘：實用機器學習工具與技術（英文版·第3版） ：我本身是從這本書開始瞭解機器學習的，那時是2000年這本書仍是初版。我那時是Java程序員，這本書和WEKA庫爲個人學習和實踐提供了一個很好的環境。我經過這樣的平臺和一些插件，實現個人算法，而且真正開始實踐機器學習和數據挖掘的過程。我強烈推薦這本書，和這樣的學習過程。
• Machine Learning（中文版：計算機科學叢書:機器學習 ）：這是一本很老的書，包括了一些規則和不少參考資料。這是一本教科書，爲每一個算法提供了相關講解。
  有一些人認爲那些經典的機器學習教科書很了不得。 我也贊同，那些書的確很是好。可是，我認爲，對於初學者來講，這些書可能並不合適。

Further Reading 繼續閱讀

在寫這篇文章時，我認真思考了相關問題，同時也參考了其餘人推薦的資料，以確保我沒有遺漏任何重要參考資料。爲了確保文章的完整性，下面也列出了一些網上流行的，能夠供初學者使用的材料。.

• A List of Data Science and Machine Learning Resources:這是一份仔細整理的列表。你能夠花一些時間，點擊連接，仔細閱讀做者的建議。值得一讀！
• What are some good resources for learning about machine learning Why：這個問題的第一個答案使人吃驚。每次我閱讀這篇文章的時候，都會作好筆記，而且插入新的書籤。答案中對我最有啓發的部分是機器學習課程列表，以及相應的課程筆記和問答網站。
• Overwhelmed by Machine Learning: is there an ML101 book：這是StackOverflow上的問題。而且提供了一系列機器學習推薦書籍。Jeff Moser提供的第一個答案是頗有用的，其中有課程視頻和講座的連接。
  你是否是以及讀過或者用過上面的一些資源了呢？你怎麼看這個問題？

我是否是如願爲那些對機器學習有興趣的初學者提供了重要、有用的資源呢？請留下你的建議，讓咱們分享！

---

原文：Best Machine Learning Resources for Getting Started
翻譯：伯樂在線 - programmer_lin