An Overview of Machine Learning and Deep Learning

2019-05-28
ML
       

机器学习

学习方法概述1

  1. 掌握基础的Python编程技术
  2. 通过公开课视频、书籍、笔记等学会机器学习的基础概念
  3. 了解并使用科学计算Python软件包
    • 如numpy,pandas,matplotlib,scikit-learn
  4. 使用 Python 机器学习标准库scikit-learn实现机器学习基本算法
    • 如K-均值聚类,决策书,线性回归,逻辑回归
  5. 实现稍微复杂的机器学习算法
    • 如支持向量机,随机森林,降维算法
  6. 学习进阶算法并在工作学习中应用
    • 分类算法:K-最近邻,多层感知器(MLP),监督式神经网络
    • 聚类算法:DBSCAN,期望最大化(EM)
    • 集成方法,包装,提升,投票
    • 梯度提升(可以使用XGBoost库)
    • 降维:特种选择,特征提取(主成分分析线性判别分析
    • 深度学习,使用Tensorflow(简介:[1][2]),卷积神经网络,循环神经网络

简单入门机器学习

适合人群

  • 计算机或英语、数学基础较差者
  • 机器学习入门从业者
  • 使用机器学习技术的其他行业从业者

教材:机器学习,周志华(西瓜书)

  • 辅助资料:西瓜书公式解析:Github

视频课程:机器学习,吴恩达(Coursa版):bilibili

普通入门机器学习

适合人群

  • 普通计算机专业学生
  • 普通机器学习算法工程师

教材:Machine Learning Yearning,吴恩达,GitBook在线阅读

视频课程:机器学习,吴恩达(斯坦福大学CS229):bilibili

  • 辅助资料:
  • 相关数学基础:
    • 线性代数:矩阵/张量乘法、求逆,奇异值分解/特征值分解,行列式,范数等;
    • 统计与概率:概率分布,独立性与贝叶斯,最大似然(MLE)和最大后验估计(MAP)等;
    • 信息论:基尼系数,熵(Entropy)等;
    • 优化:线性优化,非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等;
    • 数值计算:上溢与下溢,平滑处理,计算稳定性(如矩阵求逆过程);
    • 微积分:偏微分,链式法则,矩阵求导等

进阶教材(从易到难):

速查手册

机器学习算法分类

mlc

机器学习算法介绍及优劣势分析

tpa

机器学习的算法的Python&R代码

PDF版本 code-python

Python语言基础语法

PDF版本

Numpy

PDF版本

NumPy基础使用PDF

Pandas

PDF版本

Pandas基础使用PDF

Matplotlib

Matplotlib基础使用PDF

Scikit-learn

Scikit-learn基础使用PDF

数据科学速查手册。

Github

主要内容:

  • Business Science
  • Python
  • R
  • Math and Calculus
  • Big Data
  • Machine Learning
  • Deep Learning
  • SQL
  • Data Visualization
  • Data Science in General and Others

数学基础(概率论,统计,微积分,线代)

概率论PDF

线性代数PDF

概率论PDF

概率论Download

深度学习架构及解析

dla 解析:asimovinstitute.org

研究动态和论文收集

  1. Deep Learning 十年来所有顶会的优秀论文和论文复现代码:https://github.com/zziz/pwc
  2. Machine Learning Systems
  3. 神经逻辑机
  4. 元学习论文集Github
  5. 深度学习论文分类Github

附录A:基础编程

计算机科学和Python编程导论,MIT:bilibili

附录B:算法

  1. 初学看《算法图解》获得基础认识,之后选择性观看《算法(第四版)》
  2. 配合代码学习,这里可以找到使用Python语言实现的常见算法:Github
  3. 之后可以适度研究机器学习和深度学习算法的原理

引用:

  1. https://zhuanlan.zhihu.com/p/25761248 


Comments

CONTENT