机器学习（书籍推荐） - 好文

机器学习资料：书籍，资源，方法

2016年12月01日 00:06:43 阅读数：264 标签：机器学习
<http://so.csdn.net/so/search/s.do?q=%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0&t=blog>
深度学习
<http://so.csdn.net/so/search/s.do?q=%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0&t=blog>
自然语言处理
<http://so.csdn.net/so/search/s.do?q=%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86&t=blog>

机器学习经典书籍：http://www.cnblogs.com/xmphoenix/p/3683870.html
<http://www.cnblogs.com/xmphoenix/p/3683870.html>
介绍几本专业书籍（文章写成于2012年左右）：http://blog.csdn.net/xiaxiazls/article/details/46713781
<http://blog.csdn.net/xiaxiazls/article/details/46713781>
知乎：https://www.zhihu.com/question/21714701
<https://www.zhihu.com/question/21714701>
推荐！国外程序员整理的机器学习资源大全: http://blog.jobbole.com/73806/
<http://blog.jobbole.com/73806/>
自然语言资料： http://www.52nlp.cn/resources <http://www.52nlp.cn/resources>
Deep Learning学习笔记整理：http://blog.csdn.net/zouxy09/article/details/8775360/
<http://blog.csdn.net/zouxy09/article/details/8775360/>

数学基础
微积分：偏导数，梯度等等概率论与数理统计：极大似然估计，中央极限定理，大数法则最优化：梯度下降，牛顿-拉普拉斯，变分法（欧拉-拉格朗日方程），凸优化等
* 1
* 2
* 3
* 4
1.线性代数:

Introduction to Linear Algebra
http://open.163.com/special/opencourse/daishu.html
<http://open.163.com/special/opencourse/daishu.html>
http://open.163.com/special/opencourse/mitxianxingdaishuxitike.html
<http://open.163.com/special/opencourse/mitxianxingdaishuxitike.html>

2.概率论
http://open.163.com/special/Khan/probability.html
<http://open.163.com/special/Khan/probability.html>

3.统计学
几种类型的书：

http://open.163.com/special/Khan/khstatistics.html
<http://open.163.com/special/Khan/khstatistics.html>

4.微积分
http://v.163.com/special/sp/singlevariablecalculus.html
<http://v.163.com/special/sp/singlevariablecalculus.html>
重点：http://open.163.com/special/opencourse/weijifen.html
<http://open.163.com/special/opencourse/weijifen.html>

5.数值优化：Numerical_Optimization admm（boyd优化算法论文）
http://stanford.edu/class/ee364a/index.html
<http://stanford.edu/class/ee364a/index.html>

机器学习公开课：
Stanford Machine Learning 课程，里面的notes很不错。
http://cs229.stanford.edu/materials.html
<http://cs229.stanford.edu/materials.html>

ML by Andrew Ng in coursera : 这个比较适入门的时候看，可以配合三个机器学习教材）
http://open.163.com/special/opencourse/machinelearning.html
<http://open.163.com/special/opencourse/machinelearning.html>

Machine Learning Notes in cousera ：如果没有时间看2中的视频的话，可以直接看这个博客：

http://www.cnblogs.com/jerrylead/tag/Machine%20Learning/default.html?page=1
<http://www.cnblogs.com/jerrylead/tag/Machine%20Learning/default.html?page=1>

进阶（选择）学习：
Pattern Recognition And Machine
Learning（有点偏Bayesian了，初学者看起来可能有些困难，可以和机器学习，统计学习方法，机器学习公开课视频结合起来看）
The Elements of Statistical Learning
Machine Learning: A Probabilistic Perspective
《PRML》、《ESL》、《MLAPP》这类进阶类书籍。包涵大量理论知识和数学推导（尤其是习题），有助于了解Machine
Learning方法背后的本质和思想。
Machine Learning学习的过程，就是一个 what -> how -> why
的过程。而PRML，或者说同类的ESL等书籍，最大的作用就是让你知道为什么会有这样的方法，为什么会有这样的模型，它背后的intuition和motivation是什么。而这恰恰是一个Machine
Learning Researcher想要进一步使用模型、看懂别人paper中的模型、甚至自己提出新模型的基础。看PRML会带给你在Machine
Learning上的理解和使用能力一个质的飞跃。

Convex Optimization: Boyd

下面是专业方向书籍）
Introduction to Information Retrieval（信息检索入门书籍）
Modern Information Retrieval（现代信息检索第二版）
Foundations of Statistical Natural Language Processing（自然语言处理经典之作）
斯坦福自然语言处理公开课： http://www.52ml.net/14247.html <http://www.52ml.net/14247.html>
http://www.52nlp.cn/category/mit-nlp <http://www.52nlp.cn/category/mit-nlp>

深度学习方面：
Deep learning 书籍
斯坦福在线深度学习教程：http://ufldl.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B
<http://ufldl.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B> （中文）
http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial
<http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial> （英文）
Neural Networks and Deep Learning（免费在线书籍）：
http://neuralnetworksanddeeplearning.com/index.html
<http://neuralnetworksanddeeplearning.com/index.html>
深度学习框架：tensorflow caffe 等（使用学习，源代码学习）

热门工具换一换