斯坦福大学机器学习课程学习笔记-0x00

经过一番调查，确定了系统学习的资料：
据说163的视频源比较好：http://open.163.com/special/opencourse/machinelearning.html
具体的课件，可以从网站下载：http://cs229.stanford.edu/materials.html

花了两天的时间，体验了下如何用机器学习框架，大致有了个感性认识：
选用Caffe(https://github.com/BVLC/caffe ) 编译安装了下，采用CPU作为计算单元，把mnitst（https://github.com/BVLC/caffe/tree/master/examples/mnist） 的例子跑了一下。我看的是《深度学习21天实战caffe》，个人觉得，没有机器学习的理论知识基础，看这个意义不大。如果是实战性的操作，写的也不是特别适合新手。感觉机器学习的上手，还不如把一个实战的例子讲的更容易操作，把和实际意义更直观的解释清楚。比如上面mnist的例子。

听过一个讲座(http://www.robotics.sei.ecnu.edu.cn/ros2016/docs/Robot%20Vision%20-%20what%20you%20see%20neq%20what%20you%20get.pdf )，个人感觉里面只用一页就把贝叶斯公式的实际意义讲清楚了：

Paste_Image.png

所以先小结下正式开始课程学习前的认知以及期望：

1. 私以为机器学习的原理是基于概率论的，具体实现需要用上线性代数里的矩阵运算
2. 不清楚怎么提取input数据的特征
3. 具体算法（特征提取，数学模型），难度应该比较大，对偏工程实现的我来说，了解即可
4. 运算上的加速，应该是可以攻的方向，也是工程上可以做的，但目前兴趣不大
5. 如何应用是我最关心的，期待能和nlp或经济数据预测结合起来