斯坦福大学机器学习课程学习笔记-0x01

到今天为止，把cousera上的machine learning课过了一遍，为什么换课，那是因为163的偏推导，且不像coursera上有强制的进度安排，所以还是找个容易做的先上手。

先回顾一下当初的目标，基本达到。
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
   机器学习的方法和分类很多，是不是基于概率论，另说。实践上，并行计算是要的

Best_Machine_Learning_Algorithms.jpg

2. 不清楚怎么提取input数据的特征
   有很多种方法：但特征既然是特征，一定是有意义的。
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
   基本没错
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
   OK
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
   设计模型，挑选特征，剩下的，可以找个框架去做

花了一个月学习，好像知道了点东西，总结下上coursra的经验教训：
1. 看视频要截屏， 要做笔记
2. 及时复习，认真做练习
3. 看视频要快进

接下来，会重新再读一遍，把笔记整理好；并开始做点进阶的东西。

再附上好资源链接，仅供参考，毕竟学习的目的是获得知识，不是证书。

机器学习笔记:
http://blog.csdn.net/column/details/machinelearningnotes.html
http://marcovaldong.github.io
http://blog.csdn.net/lujiandong1/article/details/45306825
http://blog.csdn.net/majordong100/article/details/51173385
https://github.com/DragonflyStats/Coursera-ML/