研究生初学机器学习的几点建议

通过我自己的这大半年的接触和了解,结合找工作需要现对于如何入门机器学习提几点自己的看法。如果你以后要想干算法工程师、机器学习工程师,数据挖掘工程师。那么请你好好看一下我下面说的话。

============================================================================

总路线

 

     先学机器学习,再学深度学习(实验室某大神学长的建议),至少精通深度学习的一个方向:CV和NLP。期间要插科打诨地复习好数据结构、数学基础和强化你的编程能力。

---------------------------------------------------------------------------------------------------------------------------

  • 数学功底:概率论、线性代数、高数、信息论(主要是信息熵那部分)。
  • 数据结构:树、栈、链表、队列、图!慢慢琢磨吧。(要有优化算法复杂度的意识)
  • 编程能力:请转移到leetcode、赛码阵营好好磨练。《剑指offer》这本书是需要你好好看的。

----------------------------------------------------------------------------------------------------------------------------------

 

      书籍的话:《统计学习方法》(李航)、《机器学习》西瓜书、《深度学习》(Yoshua Bengio & Ian GoodFellow)、《PRML》(选看)、《利用python进行数据分析》

 

      吴恩达的深度学习,机器学习课程,一些其他机器学习课程都可以看。在这里,推荐一下中国海洋大学 黄海广 博士牵头的将吴恩达视频做成的中文版学习笔记:机器学习和深度学习。我自己还没有看,不清楚质量如何,但是应该比较省事了。有钱的话,推荐优达学城,不过贵,不免费。深度学习的工具tensorflow和pytorch,可以买本书看,学会看官方文档,这两个工具掌握一个就好。可以通过打比赛(天池、京东、腾讯、kaggle等),做项目,进一步强化自己的动手能力。

 

      大数据的话要会,要了解并行化分布式的东西,比如hadoop,spark,Hive等,要明白底层的工作原理。

     机器学习主要模型:线性回归,逻辑回归,svm,各种树模型。原理公式要会,会推导。(如果你要走机器学习岗的工作),现在算法岗对深度学习用处多一些。

     经典算法:EM,HMM,贝叶斯网络,朴素贝叶斯,聚类,PCA,LDA,高斯混合模型。

    概率论相关:各种分布,极大似然,最大后验,假设检验的过程(显著性水平和p的区别和联系),卡方检验等等。
 

--------------------- 本文来自 _Amsterdam 的CSDN 博客 ,全文地址请点击:https://blog.csdn.net/qq_34554003/article/details/80367344?utm_source=copy

你可能感兴趣的:(人工智能,机器学习,算法,概率论)