01 youtube download on machine learning and(如何建立一個合理的機器學習系統)

如何建立一個合理的機器學習系統

Programming Libraries 編程庫資源

我是一個“學習要敢于冒險和嘗試”觀念的倡導者。這是我學習編程的方式，我相信很多人也是這樣學習程序設計的。先了解你的能力極限，然后去拓展你的能力。如果你了解如何編程，可以將編程經驗很快借鑒到深入學習機器學習上。在你實現一個實際的產品系統之前，你必須遵循一些規則、學習相關數學知識。

找到一個庫并且仔細閱讀相關文檔，根據教程，開始嘗試實現一些東西。下面列出的是開源的機器學習庫中最好的幾種。我認為，并不是他們中的每一種都適合用在你的系統中，但是他們是你學習、探索和實驗的好材料。

你可以從一個由你熟悉的語言編寫的庫開始學習，然后再去學習其他功能強大的庫。如果你是一個優秀的程序員，你會知道怎樣從一種語言，簡單合理地遷移到另一種語言。語言的邏輯都是相同的，只是語法和API稍有不同。

R Project for Statistical Computing：這是一個開發環境，采用一種近似于Lisp的腳本語言。在這個庫中，所有你想要的與統計相關的功能都通過R語言提供，包括一些復雜的圖標。CRAN(你可以認為是機器學弟的第三方包)中的機器學習目錄下的代碼，是由統計技術方法和其他相關領域中的領軍人物編寫的。如果你想做實驗，或是快速拓展知識，R語言都是必須學習的。但它可能不是你學習的第一站。

WEKA：這是一個數據挖掘工作平臺，為用戶提供數一系列據挖掘全過程的API、命令行和圖形化用戶接口。你可以準備數據、可視化、建立分類、進行回歸分析、建立聚類模型，同時可以通過第三方插件執行其他算法。

Mahout是Hadoop中為機器學習提供的一個很好的JAVA框架，你可以自行學習。如果你是機器學習和大數據學習的新手，那么堅持學習WEKA，并且全心全意地學習一個庫。

Scikit Learn:這是用Python編寫的，基于NumPy和SciPy的機器學習庫。如果你是一個Python或者Ruby語言程序員，這是適合你用的。這個庫很用戶接口友好，功能強大，并且配有詳細的文檔說明。如果你想試試別的庫，你可以選擇Orange。

Octave:如果你很熟悉MatLab，或者你是尋求改變的NumPy程序員，你可以考慮 Octave。這是一個數值計算環境，與MatLab像是，借助Octave你可以很方便地解決線性和非線性問題，比如機器學習算法底層涉及的問題。如果你有工程背景，那么你可以由此入手。

BigML:可能你并不想進行編程工作。你完全可以不通過代碼，來使用 WEKA那樣的工具。你通過使用BigMLS的服務來進行更加深入的工作。BigML通過Web頁面，提供了機器學習的接口，因此你可以通過瀏覽器來建立模型。

補充：

NLTK NLTK is a leading platform for building Python programs to work with human language data. It provides easy-to-use interfaces to over 50 買粉絲rpora and lexical resources such as WordNet, along with a suite of text processing libraries for classification, tokenization, stemming, tagging, parsing, and semantic reasoning.LingPipe: 是一個自然語言處理的Java開源工具包。LingPipe目前已有很豐富的功能，包括主題分類（Top Classification）、命名實體識別（Named Entity Re買粉絲gnition）、詞性標注（Part-of Speech Tagging）、句題檢測（Sentence Detection）、查詢拼寫檢查（Query Spell Checking）、興趣短語檢測（Interseting Phrase Detection）、聚類（Clustering）、字符語言建模（Character Language Modeling）、醫學文獻下載/解析/索引（MEDLINE Download, Parsing and Indexing）、數據庫文本挖掘（Database Text Mining）、中文分詞（Chinese Word Segmentation）、情感分析（Sentiment Analysis）、語言辨別（Language Identification）等API。

挑選出一個平臺，并且在你實際學習機器學習的時候使用它。不要紙上談兵，要去實踐！

Video Courses視頻課程

很多人都是通過視頻資源開始接觸機器學習的。我在YouTube和VideoLectures上看了很多于機器學習相關的視頻資源。這樣做的問題是，你可能只是觀看視頻而并不實際去做。我的建議是，你在觀看視頻的時候，應該多記筆記，及時后來你會拋棄你的筆記。同時，我建議你將學到的東西付諸實踐。

坦白講，我沒有看見特別合適初學者的視頻資源。視頻資源都需要你掌握一定的線性代數、概率論等知識。Andrew Ng在斯坦福的講解可能是最適合初學者的，下面是我推薦的一些視頻資源。

Stanford Machine Learning斯坦福的機器學習課程：可以在Coursera上觀看，這門課是由 Andrew Ng講解的。只要注冊，你可以隨時觀看所有的課程視頻，從Stanford CS229 買粉絲urse下載講義和筆記。這門課包括了家庭作業和小測試，課程主要講解了線性代數的知識，使用Octave庫。

Machine Learning Category on VideoLectures.Net網站中的機器學習目錄：這是個很容易令人眼花繚亂的資源庫。你可以找出比較感興趣的資源，并且深入學習。不要糾結于不適合你的視頻，或者對于感興趣的內容你可以做筆記。我自己會一直重復深入學習一些問題，同時發現新的話題進行學習。此外，在這個網站上你可以發現是這個領域的大師是什么樣的。

“Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard講授：這是與機器學習競賽者的對話，他們是一些實踐中的R語言用戶。這是非常珍貴的資源，因為很少有人會討論研究一個問題的完整過程和究竟怎樣做。我曾經幻想過在網上找到一個TV秀，記錄機器學習競賽的全過程。這就是我開始學習機器學習的經歷！

Overview Papers綜述論文

如果你并不習慣閱讀科研論文，你會發現論文的語言非常晦澀難懂。一篇論文就像是一本教科書的片段，但是論文會介紹一個實驗或者是領域中其他的前沿知識。然而，如果你準備從閱讀論文開始學習機器學習的話，你還是可以找到一些很有意思的文章的。

The Discipline of Machine Learning機器學習中的規則：這是由Tom Mitchell編著的白皮書，其中定義了機器學習的規則。Mitchell在說服CMU總裁為一個百年內都存在的問題建立一個獨立的機器學習部門時，也用到了這本書中的觀點。

A Few Useful Things to Know about Machine Learning：這是一篇很好的論文，因為它以詳細的算法為基礎，又提出了一些很重要的問題，比如：選擇特征的一般化，模型簡化等。

我只是列出了兩篇重要的論文，因為閱讀論文會讓你陷入困境。

Beginner Machine Learning Books給機器學習初學者的書

關于機器學習的書有很多，但是幾乎沒有為初學者量身定做的。什么樣的人才是初學者呢？最有可能的情況是，你從另外一個完全不同的領域比如：計算機科學、程序設計或者是統計學，來到機器學習領域。那么，大部分的書籍要求你有一定的線性代數和概率論的基礎。

但是，還有一些書通過講解最少的算法來鼓勵程序員學習機器學習，書中會介紹一些可以使用工具、編程函數庫來讓程序員嘗試。其中最有代表性的書是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的話，你可以選擇其中一本開始學習。

Programming Collective Intelligence: Building Smart Web 2.0 Applications：這本書是為程序員寫的。書中簡略介紹相關理論，重點以程序為例，介紹web中的實際問題和解決辦法。你可以買來這本書，閱讀，并且做一些練習。

Machine Learning: An Algorithmic Perspective：這本書是《Programming Collective Intelligence》的高級版本。它們目的相同（讓程序員開始了解機器學習），但是這本書包括一些數學知識，參考樣例和phython程序片段。如果你有興趣的話，我建議你在看完《Programming Collective Intelligence》之后來閱讀這本書。

數據挖掘：實用機器學習工具與技術（英文版·第3版） ：我自己是從這本書開始了解機器學習的，那時是2000年這本書還是第一版。我那時是Java程序員，這本書和WEKA庫為我的學習和實踐提供了一個很好的環境。我通過這樣的平臺和一些插件，實現我的算法，并且真正開始實踐機器學習和數據挖掘的過程。我強烈推薦這本書，和這樣的學習過程。

有一些人認為那些經典的機器學習教科書很了不起。 我也贊同，那些書的確非常好。但是，我認為，對于初學者來說，這些書可能并不合適。

Further Reading 繼續閱讀

A List of Data Science and Machine Learning Resources:這是一份仔細整理的列表。你可以花一些時間，點擊鏈接，仔細閱讀作者的建議。值得一讀！

What are some good resources for learning about machine learning Why：這個問題的第一個答案令人吃驚。每次我閱讀這篇文章的時候，都會做好筆記，并且插入新的書簽。答案中對我最有啟發的部分是機器學習課程列表，以及相應的課程筆記和問答網站。

Overwhelmed by Machine Learning: is there an ML101 book：這是StackOverflow上的問題。并且提供了一系列機器學習推薦書籍。Jeff Moser提供的第一個答案是很有用的，其中有課程視頻和講座的鏈接。

《Hands- On Machine》txt下載在線閱讀全文,求百度網盤云資源

《Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition》（Aurelien Gero

很赞哦!（68277）