精华内容
下载资源
问答
  • 机器学习学习心得

    千次阅读 2018-05-14 15:37:49
    转载自:http://blog.csdn.net/lcjpure/article/details/8069704结合自己的学习经历,总结一下如何学习机器学习。...南京大学周志华教授写的科普文章《机器学习和数据挖掘》还不错,对机器学习和数...

    转载自:http://blog.csdn.net/lcjpure/article/details/8069704

    结合自己的学习经历,总结一下如何学习机器学习。我自己的学习过程其实是非常混乱和痛苦的,一个人瞎搞现在也不知道入没入门。希望能对其他想自学机器学习而找不到方向的人有一点点帮助。

    一、可以读读一些科普性的,综述性的东西。

    南京大学周志华教授写的科普文章《机器学习和数据挖掘》还不错,对机器学习和数据挖掘的区别说的挺好。另外对机器学习的历史和前景做了说明。文章最后也给出了领域内比较重要的会议和期刊。

    吴军写的数学之美(浪潮之巅也很赞)可能确切的说应该是搜索、自然语言处理、机器学习的一个综合性科普,但是机器学习本来就和这些领域有着很大的关联的,所以说对学习机器学习的人来说也是一个不错的入门科普。

     

    二、可以了解下领域里面的牛人。曾经听香港科技大学的杨强教授在一个讲座上讲过这么一件事,他说如果面试一个学生,一个好的方法就是问他这个领域有哪些牛人,每个牛人的代表性工作是什么,这样可以检验一个人是否真正喜欢并关注这个方向。我觉得说得挺有道理。网上有人总结了一些牛人,当然这些总结都是个人观点,随便看看了解一下就行了。(注:下面的链接不一定是原始出处)

    http://blog.sina.com.cn/s/blog_56f7cc3a0100qktd.html   (国外的)

    http://blog.sina.com.cn/s/blog_6a6b58ce01017jy3.html  (国内的)

    http://blog.csdn.net/yihaizhiyan/article/details/6795073 (这个有一些是机器视觉里的)

     

    三、可以了解下领域的重要会议,前面提到的周的文章有提到,网上也有各种版本的分析,列两个

    http://blog.csdn.net/blow_jj/article/details/2415305 (人工智能和机器学习的)

    http://taoo.iteye.com/blog/1052495               (数据库和数据挖掘的)

     

    四、可以系统的上一下机器学习的课程,StandfordAndrew Ng的机器学习课程很赞,网上有他的公开课视频,上他的课真是如沐春风,浑身通畅。

    课程主页:

    http://cs229.stanford.edu/  (里面有讲义,最好打印出来对照视频看)

    网易公开课有中文字幕翻译的视频:

    http://v.163.com/special/opencourse/machinelearning.html

    这是在coursera项目中的版本,好像比网易的内容要多,起码多的有推荐算法的部分

    https://class.coursera.org/ml/lecture/preview/index

     

    五、可以系统的读一本机器学习的教材,系统的学习很重要。口碑最好的,我自己感觉写的最好的是 Christopher M. Bishop写的《pattern Recognition and Machine Learning》

     

    六、对一些重要的经典的文章可以拜读一下,下面的这个资料列表可以参考

    http://www.newsmth.net/bbsanc.php?path=%2Fgroups%2Fsci.faq%2FNLP%2F1%2FM.1225371502.h0

     在学习的过程中,手头有一本统计的参考书是必要的,当然还有利器google,不懂的概念随时可以查。

     

    七、其实学习机器学习最重要的就是实践了,实践出真知。

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

                                                                                                                       by lcj ,2012 -10 -14              



    在后面补充一下周志华老师说的顶会和顶级期刊:

    在机器学习方面,最重要的学术会议是:NIPS,ICML,ECML和COLT;最重要的学术期刊是:machine learning,journal of machine learning research
    在数据挖掘方面,最重要的学术会议是:SIGKDD,ICDM,SDM,PKDD和PAKDD;最重要的学术期刊是:data mining and knowledge discovery , IEEE transaction on knowledge and data Engineering
    人工智能领域,顶会:IJCAI,AAAI。

    顶级期刊:artificial intelligence, journal of artificial intelligence research, IEEE transaction on pattern analysis and meachine intelligence, neural computation

    展开全文
  • 机器学习学习心得001

    2018-10-06 15:15:12
    我是一名机器学习小白,目前正在自学机器学习相关内容,打算每天将自己的学习心得发出来,供大家批评指正。 我主要用的是MATLAB做相关的学习,所以之后的分享大都与此相关。 首先给大家分享一些MATLAB做机器学习的...

    我是一名机器学习小白,目前正在自学机器学习相关内容,打算每天将自己的学习心得发出来,供大家批评指正。

    我主要用的是MATLAB做相关的学习,所以之后的分享大都与此相关。

    首先给大家分享一些MATLAB做机器学习的相关源代码,有需要的自取哦

    https://pan.baidu.com/s/1skFMkoP?errno=0&errmsg=Auth%20Login%20Sucess&&bduss=&ssnerror=0&traceid=

    展开全文
  • 机器学习心得-开篇 本篇为本人机器学习心得开篇,随着学习深入,后续将补充各类文章,作为本人学习总结,也希望給相应读者一点启发 学习开始时间:2018-08-15 11:11:11 主要材料 2.1 video from professor Yaser.S ...

    机器学习心得-开篇

    本篇为本人机器学习心得开篇,随着学习深入,后续将补充各类文章,作为本人学习总结,也希望給相应读者一点启发

    1. 学习开始时间:2018-08-15 11:11:11
    2. 主要材料
      2.1 video from professor Yaser.S video address

      2.2 book references:
      - Learning From Data(以下简称LFD)
      - An Introduction to Statistical Learning
      - The Elements of Statistical Learning(2nd)

      2.3 some userful sites:
      - Notes for LFD
      - Forum for LFD
      - Slides for LFD

    展开全文
  • 最近学习了《机器学习实战》这本书,讲的很仔细,很适合我们这些初学者  K-近邻算法是一种易于理解的机器学习算法,它的工作原理是:存在一个样本数据集合,并且样本中每个数据都存在标签,即我们知道样本集中...

            最近学习了《机器学习实战》这本书,讲的很仔细,很适合我们这些初学者


            K-近邻算法是一种易于理解的机器学习算法,它的工作原理是:存在一个样本数据集合,并且样本中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似的分类标签。一般来说,只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中的k,通常k是不大于20的整数,最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类


            k-近邻算法通俗理解为计算样本数据中的点距离新数据点的距离,取最近的k个点作为最相似的点作为新数据的分类的判断依据


           python实现

    def classify0(inX, dataSet, labels, k):
        dataSetSize = dataSet.shape[0]
        diffMat = tile(inX, (dataSetSize, 1)) - dataSet
        sqDiffMat = diffMat**2
        sqDistances = sqDiffMat.sum(axis=1)
        distances = sqDistances**0.5
        sortedDistIndicies = distances.argsort()
        classCount = {}
        for i in range(k):
            voteIlabel = labels[sortedDistIndicies[i]]
            classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
        sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
        return sortedClassCount[0][0]


    展开全文
  • 机器学习线性回归学习心得 机器学习中的线性回归 (Linear Regression in Machine Learning) There are two types of supervised machine learning algorithms or task: Regression and classification. 有监督的机器...
  • 机器学习心得

    2018-12-12 15:34:10
    1、机器学习中,特征处理是最关键的一步(互相不关联度) 2、样本:差异化,占%都会影响结果 3、非投票制算法:算距离 4、样本,正态分布,分类算法,尽量保持一致。 5、降维:减少运算时间和成本 ...
  • MIT博士的机器学习心得
  • 机器学习书:《机器学习宝典》包含:谷歌机器学习速成课程(招式)+机器学习术语表(口诀)+机器学习规则(心得)+机器学习中的常识性问题(内功)。该资源适用于机器学习,深度学习研究人员和爱好者参考!
  • 机器学习/深度学习算法学习心得

    千次阅读 2018-07-29 00:00:51
    想要入门机器学习,至少需要提前掌握以下两种技能 必要的数学知识必不可少。高等数学,线性代数,概率论,矩阵论,凸优化等 基本的编程能力,推荐python语言(必要时需要学习C++或者jave) 当然,我相信大部分...
  • 机器学习面试心得

    千次阅读 2017-06-24 19:01:11
    机器学习面试心得今天下午去一家师兄内推的创业公司面机器学习算法岗,准备及不充分的我感觉自己还要学的东西太多太多= = 在此分享给正在准备的童鞋们。1、首先,自我介绍。这个就随便说一下就行。2、接着,问简历上...
  • 机器学习线性回归学习心得Data science with the kind of power it gives you to analyze each and every bit of data you have at your disposal, to make smart & intelligent business decisions, is ...
  • 机器学习入门心得

    2018-02-17 21:48:32
    机器学习入门路线 入行 java 程序员一年半,突然对ML方向产生了兴趣,花了2个月左右的时间学习了一下,算是初步有个入门; 恶补了一些基础数学知识,推到了一些ML模型,做了一些Kaggle比赛的实例,在此,从工程...
  • 机器学习的特点就是:以计算机为工具和平台,以数据为研究对象,以学习方法为中心;是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的交叉学科。所以就先介绍一下机器学习涉及到的一些最...
  • 结合自己的学习经历,总结一下如何学习机器学习。我自己的学习过程其实是非常混乱和痛苦的,一个人瞎搞现在也不知道入没入门。希望能对其他想自学机器学习而找不到方向的人有一点点帮助。 一、可以读读一些科普性的...
  • 最近开始接触到机器学习方面的相关知识,发现相关的机器学习算法真的很有用,最先接触到的关于机器学习的知识是吴恩达的机器学习课程,然后是林轩田的机器学习基石。偶然间发现了数盟这个网站(这个网站做的挺漂亮的)...
  • AUC:假正例率与真正例率形成的图,若学习器A曲线能完全包住学习器B,那么学习器A就比B更加好。 实验内容 2 使用k-近邻算法改进约会网站的配对效果 1、 从文本文件中解析数据; 实验程序(含详细注释): # ...
  • 谷歌机器学习心得

    2018-07-12 14:53:33
    视频地址 https://developers.google.cn/machine-learning/crash-course/ml-intro
  • 机器学习心得体会总结

    千次阅读 2018-01-04 14:40:31
    第一:线性代数是把复杂问题简单化解决,但是简单问题已经很复杂了。 第二:国内还没有一本关于机器学习讲得连老百姓都能看得明白的书籍。
  • 机器学习贝叶斯学习心得Update: This post is part of a blog series on Meta-Learning that I’m working on. Check out part 1 and part 2. 更新 :这篇文章是我正在从事的有关元学习的博客系列的一部分。 检出 第...
  • 吴恩达机器学习笔记及学习心得 (1)目录 引言 单变量线性回归 线性代数回顾 多变量线性回归 Octave教程 逻辑回归 正则化 神经网路表述 神经网路的学习 应用机器学习的建议 机器学习系统的设计 支持...
  • 支持向量机(support ... 各种资料对它评价甚高,说“ 它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中”一、SVM的基本想法 回到我们最开始讨论的K...
  • 机器学习算法心得

    2018-07-25 11:37:15
    正规方程:不算学习优化的算法,没有学习的过程;直接通过特征值与目标值之间的矩阵运算得出 公式 理解:X为特征值矩阵,y为目标值矩阵,直接求到最好的结果 ...
  • 机器学习实践心得

    2018-02-24 17:29:00
    一个没有太高学历,高数渣渣的程序员学习机器学习,先着眼代码,根据具体实例,增加对库或软件的编程能力,不必他关注算法本身实现,通过实践增加工具库的了解,完成工作,再实施优化,然后考虑必要参数的调整。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,680
精华内容 672
关键字:

机器学习学习心得