[转]机器学习推荐学习路线及参考资料

原文链接：https://github.com/JustFollowUs/Machine-Learning

机器学习Machine-Learning

主要内容

• 前言

• 课程列表

• 推荐学习路线

• 数学基础初级

• 程序语言能力

• 机器学习课程初级

• 数学基础中级

• 机器学习课程中级

• 推荐书籍列表

• 机器学习专项领域学习

前言

我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。

课程列表

课程	机构	参考书	Notes等其他资料
单变量微积分	MIT	Calculus with Analytic Geometry	链接
多变量微积分	MIT	Multivariable Calculus	链接
线性代数	MIT	Introduction to Linear Algebra	链接
统计入门	可汗学院	暂无	暂无
概率论入门: 链接1,链接2	NTU	暂无	暂无
概率与统计	MIT	Introduction to Probability	链接
矩阵论	暂无	矩阵论	暂无
凸优化1	Stanford	Convex Optimization	链接
凸优化2	Stanford	暂无	链接
统计学习入门	Stanford	An Introduction to Statistical Learning	链接
机器学习基石	NTU	Learning from Data	链接
机器学习技法	NTU	暂无	链接
机器学习	Caltech	Learning from Data	链接
机器学习(matlab)	Stanford	暂无	链接
Python程序语言设计	暂无	暂无	暂无
Matlab程序语言设计	暂无	暂无	暂无

推荐学习路线

数学基础初级

课程	机构	参考书	Notes等其他资料
单变量微积分	MIT	Calculus with Analytic Geometry	链接
多变量微积分	MIT	Multivariable Calculus	链接
线性代数	MIT	Introduction to Linear Algebra	链接
统计入门	可汗学院	暂无	暂无
概率论入门: 链接1,链接2	NTU	暂无	暂无
概率与统计	MIT	Introduction to Probability	链接

程序语言能力

考虑到机器学习的核心是里面的数学原理和算法思想，程序语言目前主要是帮助大家较好的完成课后作业以及实现自己的一些idea，此处我们仅仅给出推荐的参考学习链接，大家掌握一些常用的模块即可，即完成参考学习链接部分的内容即可，推荐书籍比较经典，但不做要求。

课程	参考学习链接	推荐书籍
Python程序语言设计	链接	暂无
Matlab程序语言设计	暂无	暂无
R程序语言设计	暂无	暂无

机器学习课程初级

课程	机构	参考书	Notes等其他资料
统计学习入门	Stanford	An Introduction to Statistical Learning	链接
机器学习入门	Coursera	暂无	链接

数学基础中级

课程	机构	参考书	Notes等其他资料
矩阵论	暂无	矩阵论	暂无
凸优化1	Stanford	Convex Optimization	链接
凸优化2	Stanford	暂无	链接

机器学习课程中级

此处NTU和Caltech两个大学的课程是由《Learning from Data》一书的两个不同的作者讲的，所以仅仅只需选择一个完成即可，注意：如果选择完成NTU的机器学习课程，则NTU的“机器学习基石”和“机器学习技法”需同时完成。。

课程	机构	参考书	Notes等其他资料
机器学习基石	NTU	Learning from Data	链接
机器学习技法	NTU	暂无	链接
机器学习	Stanford	暂无	链接
机器学习	Caltech	Learning from Data	链接

推荐书籍列表

以下推荐的书籍都是公认的机器学习领域界的好书，建议一般难度的书籍至少详细阅读一本，建议看两本，而较难的书籍不做任何要求，大家可以在学有余力时细细品味经典。

书名	难度
统计学习方法	一般
An Introduction to Statistical Learning	一般
Machine Learning	一般
Learning from Data	一般，配套讲义
Pattern Recognition and Machine Learning	较难(偏贝叶斯)
The Elements of Statistical Learning	较难
Understanding Machine Learning:From Theory to Algorithms	较难

机器学习专项领域学习

如果您已经完成了上述的所有科目，恭喜您已经拥有十分扎实的机器学习基础了，已经是一名合格的机器学习成员了，可以较为顺利的进入下面某一专项领域进行较为深入研究,因为并不是所有的专项领域都有对应的课程或者书籍等学习资料，所以此处我们仅列举一些我们知道的专项领域的学习资料，当然这些领域不能涵盖所有，还有很多领域没有整理（希望大家一起完善），如果这些领域适合你，那就继续加油！如果不清楚，那么大家可以去下面列举的高级会议期刊上去寻找自己感兴趣的话题进行学习研究。

一些专项领域资料

• 深度学习
• 图模型
• 强化学习
• 其他(尚未完善)

领域会议期刊

• NIPS
• ICML
• AAAI
• IJCAI
• KDD
• ICDM
• COLT
• 其他(尚未完善)