系统学习Machine Learning之路漫漫

最新推荐文章于 2025-05-07 14:23:25 发布

24thAUG

最新推荐文章于 2025-05-07 14:23:25 发布

阅读量573

点赞数

分类专栏：机器学习文章标签：算法机器学习

本文链接：https://blog.csdn.net/iwanthn/article/details/52416294

版权

机器学习专栏收录该内容

7 篇文章

订阅专栏

系统学习Machine Learning之路漫漫总规划

本人是一个半吊子的数学专业学生，半吊子的算法学习者，半吊子的机器学习爱好者，半吊子的电脑算法作曲者……自从工作以来深受半吊子的后遗症的残害。所以想系统的学习一次机器学习……不想再半吊子下去了！
PS. 本人英语阅读能力有待提高，翻译不足之处，望体谅且提出，谢谢。
本文的机器学习与其他学习的关系图及其框架是参考[Swami Chandrasekaran][1]的”Becoming a Data Scientist - Curriculum via Metromap”，它给了一个地铁图方便我们从以下10个领域足部的学习，最后成为一个合格的数据科学家：

Fundamentals 基础知识
Statistics 统计学
Programming 编程
Machine Learning 机器学习
Text Ming / NLP 神经语言程序学
Data visualization 形象化处理
Big Data 大数据
Data Ingestion 数据获取
Data Munging 数据修改
Toolbox 工具箱

学科关系地铁图
[Link][2]

1、基础知识

根据地铁图，可以知道基础知识基本上是涉及线性代数 矩阵论 数据库 以及一些基础操作。

2、统计学

统计学这个模块主要要学习的就是数理统计，其中包括概率论 贝叶斯（关于贝叶耶的角度看ML，推荐大神的一本著作，文末附链接） 蒙特卡罗 假设检验 卡方检验 最大似然估计 核密度估计 相关性 等。

3、编程

而程序这块，主要是推荐学习R语言和python以及Spark ，由于本人曾经短暂师从David Cope 学习电脑作曲算法，那时开始沉迷LISP。所以以后的代码我会先用Lisp写一遍基础代码，然后再用python再次实现。本人是一个从没有任何编程基础刚写代码不到一年的小白，最开始是用matlab实现各种功能的，后学习python便于学习机器学习。

4、机器学习

以前没有看到这张图的时候，我是看Andrew Ng的机器学习的课程入门的。然后自己在实习工作工程中，曾应用RNN，RBM，CNN，SVM，K-Means等。基本上属于现学现买，没有一个很完整的知识体系架构。地铁图建议我们从什么是ML？ 入门开始，然后监督学习->无监督学习 -> 了解分类，预测，过拟合 -> 分类-> 回归 -> 聚类 -> 神经元网络