用于入门的最佳机器学习资源

这是一个非常难写的文章，因为我希望它是真正有价值的。

我坐着在一张空白的页面上提了一个真正困难的问题,什么是最好的函数库，课程，论文和书籍? 我会推荐给机器学习领域的真正初学者。

我真的为该包括什么和排除什么而苦恼。我必须努力把自己置身于程序员和初学者的机器学习之中，并思考哪些资源最有利于他们。

我为每种资源选择最好的。如果你是一个真正的初学者，并且兴奋地开始在机器学习领域，我希望你找到一些有用的东西。我的建议是挑选一件东西，一本书或一个函数库，并阅读封面以涵盖所有的教程。选择一个，坚持下去，然后一旦你掌握了，选择另一个，然后重复。让我们进入它。

编程库

我是“学到可以构成威胁即止，开始小试身手"一个倡导者，。

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。如果您知道如何编程，可以利用它来快速深入机器学习。那么在实现它的生产系统之前，要有条理地去学习有关技术的数学。

找到一个库，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。我不认为它们都适合在您的生产系统中使用，但它们是学习，探索和原型设计的理想选择。

从一个你熟悉的语言库开始，然后转到其他更强大的库。如果你是一名优秀的程序员，你可以很容易地从语言转换为语言。这是完全相同的逻辑，只是语法和API不同。

• 用于统计计算的R项目：这是一个环境和一个类似lisp的脚本语言。所有你可能想要做的统计资料将被提供给R，包括优秀的策划。CRAN上的机器学习类（考虑：第三方机器学习软件包）由领导者在现场使用最先进的方法编写的代码，以及任何你能想到的东西。学习R是必须的，如果你想快速探索原型。这可能不是你开始的第一个地方。
• WEKA：这是一个提供API的数据挖掘工作台，以及用于整个数据挖掘生命周期的大量命令行和图形用户界面。您可以准备数据，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。与WEKA无关， Mahout是在Hadoop基础架构上进行机器学习的一个很好的Java框架，如果这更符合您的需求的话。如果您是大数据和机器学习的新手，请坚持使用WEKA并一次学习一件事。
• Scikit学习：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，这是你的函数库。这是友好的，功能强大，并提供优秀的文档。如果你想尝试别的，Orange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。如果你有工科背景，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。

选择一个平台，并用它来完成你的机器学习教育。不要只是读，做。

视频课程

在机器学习中，视频是一种非常流行的入门方式。

我在YouTube和VideoLectures.Net上观看了很多机器学习视频。风险就是你所要做的就是消费，不能采取行动。我建议你在观看视频的时候应该记笔记，即使你稍后放弃笔记。我也建议你尝试一下你在课堂中学到的东西。

坦率地说，我所见过的所有视频课程都不适合初学者，对于一个真正的初学者。它们都预设了至少线性代数和概率论的工作知识，等等。

Andrew Ng的斯坦福大学讲座可能是开设课程的最佳地点，否则我会推荐一次性的视频。

• 斯坦福机器学习：可通过Coursera和Andrew Ng任教。除了报名外，您还可以随时观看所有讲座，并从实际的斯坦福大学CS229课程中获得讲义和课堂笔记。本课程包括作业和测验，并重点介绍线性代数和使用八度。
• 加州理工学院从数据中学习：可通过edX获得并由Yaser Abu-Mostafa授课。所有讲座和材料都可以在CalTech网站上找到。再次，像斯坦福大学的课程一样，您可以按照自己的节奏来完成课内外地作业。它涵盖了类似的主题，并进入了一个更多的细节和数学。家庭作业对于初学者来说可能有点难。
• VideoLectures.Net上的机器学习分类：这是一个容易在内容过载中淹没的地方。找一些看起来很有意思的视频并试用一下。如果不适合自己，请放弃，如果你喜欢，请记下。自己是不是地回来，重新思考主题，并提出全新的话题。此外，很高兴看到这个领域的大师们是什么样的。

概述论文

如果你不习惯阅读研究论文，你会发现语言非常僵硬。一篇论文就像是一本教科书的片段，但描述了一个实验或者其他一些领域。尽管如此，如果您想要开始机器学习，您可能会发现一些有趣的论文。

• 机器学习的学科：汤姆·米切尔定义机器学习的一门白皮书。这是米切尔用来说服CMU总裁创建一个独立的机器学习部门的一个论点，这个部门仍将在100年左右的时间里出现（也见Tom Mitchell的这个简短的采访）。
• 关于机器学习的一些有用的知识：这是一个很好的论文，因为它从特定的算法中退出，并激发了一些重要的问题，如特征选择泛化和模型简单。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论文，因为看论文真的会让你沮丧。

初学者机器学习书籍

有很多机器学习书籍，为初学者编写的书籍很少。

什么是真正的初学者？

最有可能的是，你要来自另一个领域的机器学习，很可能是计算机科学，编程或统计学。即使如此，大多数书籍都希望你至少有线性代数和概率论的基础。

尽管如此，有一些书鼓励渴望的程序员通过教授算法的最低直觉来开始，并指向工具和库，以便可以跑出去尝试一下。

最值得注意的是集体智慧编程， 黑客机器学习和 数据挖掘：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，请抓住这三本书中的一本！

初学者学习机器学习的书籍

• 编程集体智能：构建智能Web 2.0应用程序：本书是为亲爱的程序员您编写的。这是理论上的轻量级，重在代码示例和实际的网络问题和解决方案。买它，读它，做练习。
• 黑客机器学习：在阅读集体智慧编程（上文）之后，我会推荐这本书 。它再次提供了实用的工作实例，但它更多的是一个数据分析的味道，并使用地是R.我真的很喜欢这本书！
• 机器学习：一个算法的角度。这本书就像编程集体智慧的更高级版本 （上图）。它有类似的目标（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。如果你仍然感兴趣，我建议阅读编程集体智慧后阅读。
• 数据挖掘：实用机器学习工具和技术，第三版：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方向。
• 机器学习：这是一本旧书，包括公式和大量的参考文献。这是一本教科书，但对于每种算法都有很强的动机。

很多人都在谈论一些很棒的机器学习教科书。我想对于初学者来说，这不是一个好地方。。

进一步阅读

我深深地思考了这篇文章，我也去看了其他人的资源清单，以确保我没有错过任何重要的事情。

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：仔细整理列表。花时间阅读他的建议，然后点击链接。很值得。
• 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，包括讲课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。实际上是推荐的机器学习书籍的列表。Jeff Moser的第一个回答很有用，因为它指出了讲课视频和语言。