有效的自学计划
有效的自学计划
提问于 2019-04-04 10:28:04
我希望有经验的从业者/学者提供一些指导。
我想翻阅ML主教的书，但没有什么背景。
什么是最快的方式得到的先决条件(具体的书籍将不胜感激)？
通过四处搜寻，我发现了一条潜在的自学途径：
- 统计推断- Casella / Berger
- 概率论与实例- Durrett
- 线性代数- Hoffman / Kunze
我从图书馆检查了这些书，但它们要花我一年多的时间才能彻底完成，所以这似乎不太实际。
我已经在网上搜索过了，但是大部分的建议并没有列出任何具体的书籍，而是我应该学习的科目。
关于我的
- 多年前毕业于一门不相关的学科
- 愿意花很多时间在这上面(我这样做是为了建立一个机器学习学位的背景)。
- 由于我的工作，我可以很好地编码。
回答 1
Data Science用户
回答已采纳
发布于 2019-04-04 23:37:47
我不太熟悉毕晓普，但看来德雷特，处理测量理论的概率，是过头了。此外，您可能需要向您的先决条件添加真正的分析。我只会研究前4到5个卡塞拉关于概率和随机变量的章节。
你可能也不需要看整本线性代数书才能开始。只需确保您对基本的矩阵运算有足够的理解，足以处理多元演算(例如。采用多元导数和计算多元积分)。
卡塞拉的后半段可能很有用，但我怀疑这并不是绝对必要的。
我想，如果你能处理好这些事情，你就能把毕晓普的大部分东西都搞定；你随时可以在需要的时候多拿些东西。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/48602
复制相关文章
相似问题
腾讯云开发者
