干货 | 机器学习入门方法和资料合集

作者 何从庆

授权自 AI算法之心

近些天在微信群里经常看小伙伴问到“机器学习如何入门，看哪些资料 ?”，于是乎想根据笔者学习两年多的学习经验，介绍下机器学习如何入门，该看哪些资料？下面我将从以下几个方面整理机器学习入门的资源：

（1）语言：机器学习中常用的语言。

（2）书籍：书中自有黄金屋，机器学习中涉及到的很多数学理论，只看视频或者博客是很难获取到完整的知识框架。

（3）视频：书中有些公式推导很难理解，可以看看大牛们深入浅出的课程。

（4）博客：经常看一些大牛们的分享，对于扩展知识面具有一定的帮助。

（5）比赛：实践是检验学习成果重要标准，参加一些算法竞赛，对于理解算法有着良好的帮助。

（6）论文：对于一些硕士来说，创新是检验学习能力重要体现。

语言

“人生苦短，我用python”，python目前已经成为机器学习中最主流的语言，由于其丰富的算法库。

1、numpy: 最基础的python库之一

地址：http://www.numpy.org/

2、pandas: 常用于数据处理的库

地址：https://pandas.pydata.org/pandas-docs/stable/

3、scipy: SciPy是一个开源的Python算法库和数学工具包。

地址：https://docs.scipy.org/doc/scipy/reference/tutorial/index.html

4、scikit-learn：sklearn包含众多的算法接口，从监督学习到半监督学习，再到无监督学习。还有评价指标、特征选择等。

地址:https://scikit-learn.org/

5、scikit-multilearn：multi-label的算法库。

地址：http://scikit.ml/

还有一些深度学习的算法库，如：

6、keras：最适合入门深度学习的小伙伴的算法库。

地址：https://keras.io/zh/

还有一些较难的深度学习算法库，如tensorflow,pytorch。

书籍

1、《统计学习方法》：李航老师的《统计学习方法》这本书堪称经典，很多同学都靠着这本书找到理想的工作，强力推荐！对于许多想入门机器学习的小伙伴们，建议多看几遍这本书，弄懂算法的每一个细节。

2、《机器学习》：周志华老师的《机器学习》这本书，很多人又称之为西瓜书，也是很有帮助的。基本涵盖机器学习的所有分支，如监督学习，无监督学习，半监督学习，强化学习，特征选择等。

3、《推荐系统实战》：项亮博士的《推荐系统实战》这本书，很适合对于想了解推荐系统的小伙伴们有一定的帮助。

4、《概率论与数理统计》：很多机器学习算法都是从统计学概率论上发展而来的，对于概率知识统计知识不足的小伙伴们，建议研读这本书。

5、《Pattern Recognition and Machine Learning》：如果有小伙伴们英文比较好，小伙伴们也可以看看PRML这本经典的书。

6、《Reinforcement Learning: An Introduction》：如果有小伙伴想研究强化学习，这是一本不错的强化学习入门书籍。

上述资料的pdf版本已上传至网盘，如果有小伙伴感兴趣，欢迎关注"AI算法之心"，后台回复"机器学习入门书籍"。

视频

如果小伙伴们对于上述书籍看起来很吃力，很难弄懂算法的来龙去脉，建议将书籍(初学者推荐：《统计学习方法》)与视频结合起来，相互促进。

1、吴恩达老师的公开课：网易云上和coursera上都有他的讲课，很基础的版本，建议大家入门的时候多看看这个视频。个人觉得coursera上面的课程比较简单点。

网易云上面的地址：http://open.163.com/special/opencourse/machinelearning.html

coursera上面的地址：

https://www.coursera.org/learn/machine-learning

2、李宏毅老师的课程：李宏毅老师的课程也是比较好，值得大家学习。

这里有整理好的版本：https://blog.csdn.net/soulmeetliang/article/details/77461607

博客

国内：

1、火光摇曳：腾讯技术大牛们的博客

地址：http://www.flickering.cn/

2、美团技术团队的博客：里面也有很多干货：

地址：https://tech.meituan.com/

3、苏剑林的博客里面也全是干货

地址：https://spaces.ac.cn/

4、还有一些比较大型的博客网站，如博客园，简书，CSDN，知乎等等。

国外：

1、Netflix：Netflix技术博客，很多干货。

地址：https://medium.com/netflix-techblog

2、Towards Data Science：主要分享些概念、idea和代码。

地址：https://towardsdatascience.com/

3、Github: all code is here。

比赛

学习机器学习的过程中，如何检验自己学习的成果呢？比赛就是一个比较好的方向，比赛其实可能会为了成绩，抠那千分位，百分位的差距，但是其实在比赛中思考才是最重要的。如何将这些经典的算法应用到工业中，这些算法在工业中的优缺点？慢慢体会！

国内比较大型的算法平台有：

天池大数据：

https://tianchi.aliyun.com/home/

datacastle：

http://www.pkbigdata.com/

datafountain：

https://www.datafountain.cn/

biendata：

https://biendata.com/

kesci：

https://www.kesci.com/

Jdata:

https://jdata.jd.com/

国外比较大型的算法平台有：

kaggle：

https://www.kaggle.com/

比赛平台有很多，这几个是比较出名的平台。大家可以去官网看一看，有很多正在进行中的比赛。另外，还有很多其他的平台，这里我就不介绍了，近些天，我和我朋友也在思考这个问题，是否可以做个网站，集成这些比赛网站还有国外著名会议的学术评测比赛呢？欢迎大家在留言区一起讨论！！！顺便给我个意见！

论文

很多即将大四毕业，跨入研究生生活的师弟师妹们，也或者即将迈入研二的师弟师妹呢，是否还在为毕业发愁呢？小论文成为中国硕士毕业老难题！其实，写一篇比较简单的ccf c类的论文并不是很难，或许 ccf b ccf a类的论文确实很难！如何入门呢？看近些年机器学习、人工智能的顶级会议、期刊论文（会议论文速度更快）。这里我仅整理下会议论文。

值得看的会议文章：

1、数据挖掘类：

SIGKDD：顶级数据挖掘论文。

2019年：审稿中

2018年accepted paper：

https://www.kdd.org/kdd2018/accepted-papers

2017年accepted paper:

https://www.kdd.org/kdd2017/accepted-papers

2016年accepted paer:

https://www.kdd.org/kdd2016/program/accepted-papers

SIGIR：顶级推荐系统论文

2019年accepted paper：审稿中

2018年accepted paper:

http://sigir.org/sigir2018/accepted-papers/

2017年accepted paper:

http://sigir.org/chiir2017/accepted-papers.html

2016年accepted paper:

http://sigir.org/sigir2016/full-papers/

http://sigir.org/sigir2016/short-papers/

还有一些次顶级会议：CIKM/ECML-PKDD/ICDM/SDM/WSDM

2、机器学习类：

AAAI: 顶级人工智能综合会议

2019年accepted paper:

https://aaai.org/Conferences/AAAI-19/wp-content/uploads/2018/11/AAAI-19_Accepted_Papers.pdf

2018年accepted paper:

https://aaai.org/Conferences/AAAI-18/wp-content/uploads/2017/12/AAAI-18-Accepted-Paper-List.Web_.pdf

2017年accepted paper:

https://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf

IJCAI: 顶级人工智能综合会议

2019年 accepted paper: 审稿中

2018年accepted paper:

http://www.ijcai-18.org/accepted-papers/index.html

2017年accepted paper:

https://ijcai-17.org/accepted-papers.html

ICML :顶级机器学习会议

2019年accepted paper: 审稿中

2018年accepted paper:

https://icml.cc/Conferences/2018/Schedule?type=Poster

2017年accepted paper:

https://icml.cc/Conferences/2017/Schedule?type=Poster

NIPS:顶级综合人工智能会议

2019年accpeted paper: 征稿中

2018年accepted paper:

https://nips.cc/Conferences/2018/Schedule?type=Poster

2017年accepted paper:

https://nips.cc/Conferences/2017/Schedule?type=Poster

还有一些其他的专业人工智能会议：如自然语言处理领域的 ACL/EMNLP/NAACL/COLING。偏统计的人工智能会议：AISTATS。

图像的人工智能会议：CVPR/ICCV/ECCV。小伙伴们可以看一些上述与自己相关的会议论文，针对论文的方法的不足，思考改进的方法！