机器学习

如今机器学习的学习资源越来越多，对于入行的朋友们来说，他们只需要关注自己从事的具体研究方向最新的国际会议、杂志上的paper就差不多了，而对于那些想要入行的朋友们，选择经典的教程入手可能会事半功倍。以下这些教程，是我这些年接触机器学习以来觉得比较经典的，也欢迎朋友们补充。

 

一、公开课

Andrew Ng教授的机器学习课程。多啰嗦几句Andrew Ng，他虽然没出过啥书，但是他对这两年接触机器学习的人应该帮助最大了。这哥们是机器学习界大牛Michael Jordan的最得意的门生（据说没有之一），最早只是把公开课视频放到网上，国内网易公开课做了翻译，课程内容安排的真是深入浅出，只要有点微积分和线性代数基础，都能够看明白一些复杂算法的推导（其实这点很重要，一些大牛的paper或者书籍由于篇幅所限，往往一个公式推导需要10步，他只会写最重要的两步，对于初学者来说还是很痛苦的）。由于这个公开课视频受众甚广，好评如潮，Andrew Ng老师伙同斯坦福另一位同事Daphne Koller创建了Coursera这个在线教育平台，和公开课视频相比这个平台更注重和学生交互，能够帮助学生更好地掌握所follow的课程。

 

公开课推荐：

1、https://www.coursera.org/course/ml Andrew Ng在coursera上的机器学习课程，相比公开课来说，内容更简单一些，入门甚佳。

2、http://v.163.com/special/opencourse/machinelearning.html  Andrew Ng的公开课视频

3、https://www.coursera.org/course/pgm  Daphne Koller在course上图模型的课程

4、https://www.coursera.org/course/neuralnets  Geoffrey Hinton的神经网络的课。如果问最近业界最火的机器学习技术是啥？一定是deep learning。如果问是谁让deep learning这么火的，那就是Hinton老师。

 

应该还有其他类似的公开课资源，但我都没有看过，这里就不乱推荐了，欢迎大家补充。

 

二、经典书籍

1、Tom M.Mitchell. Machine Learning(有中文版)

2、Kevin P. Murphy. Machine Learning: A Probabilistic Perspective

3、Christopher M.Bishop. Pattern Recognition and Machine Learning

4、Trevor Hastie , Robert Tibshirani , Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition(有中文版)

5、Richard O. Duda. Pattern Classification(有中文版)

6、李航，统计学习方法

7、David Barber ，Bayesian Reasoning and Machine Learning（@星空下的巫师）

个人认为前三本作为入门更合适一些，4还是有些艰深，5是我最初接触这个领域的时候，当时为数不多的参考书，对我个人帮助还是很大的，列在这里更多的是纪念一下。6是国内相关教程里最好的了，李老师将一些机器学习的经典算法介绍的非常详细，推导也没偷工减料，有点Andrew老师上课推公式的风范。

 

这些书籍基本上都有电子版可以google到，如果不行，推荐http://ishare.iask.sina.com.cn/，这真是一个神奇的地方，找外国图书的电子版效果甚佳。