机器学习路线 方法 python scikit-learn spark mllib

机器学习开发与应用

                                                                                        

第一章         前言... 2

第二章         平台的选择... 2

第三章         API的学习... 2

3.1        Scikit_learn. 2

3.2        Spark MLLib. 3

第四章         进一步提升... 3

第五章         原理层面的提升... 4

第六章         补充的学习... 4

6.1        遇到一个知识点，不断的google，查看别人的文章... 4

6.2        快速阅读大量的相关书籍，我阅读了大概20几本，也会一并上传... 4

6.3        阅读文献，我下载了少量的文献也会一并上传... 4

第七章         机器学习的未来... 4

第八章         总结... 5

8.1        学会快速阅读... 5

8.2        学会快速的GOOGLE. 5

8.3        不努力是不行的... 5

8.4        多写代码... 5

第一章           前言

本文主要讲的是学习的方法、路线和一些实践经验，不会涉及细节。

第二章           平台的选择

下面的文章讲的非常好：

http://spark.apache.org/docs/latest/ml-guide.html

总结下：

生产环境用spark MLLib

优点：分布式，能处理大数据；

缺点：算法种类不多

语言：python、scala、java

演示环境或者科研环境用scikit-learn

         优点：算法种类多样，演示方便

         缺点：不是分布式

         语言：python

第三章           API的学习

3.1     Scikit_learn

官网：http://scikit-learn.org/stable/

学习方法：范淼和李超的《python机器学习机实践-----从零开始通往Kaggle竞赛之路》

学习心得：该书适合机器学习的入门者，非常实用，但存在部分API过时，可通过官网修正；

需要下载该书附带的源码，自己动手编写代码；

该书例子内的数据都比较干净，需要自己去UCI等网站下载数据进行尝试；

UCI网址：http://archive.ics.uci.edu/ml/

3.2     Spark MLLib

官网：http://spark.apache.org/docs/latest/ml-guide.html

官网文档的中文版本：http://blog.csdn.net/liulingyuan6/article/details/53582300

学习方法：

l  首先简单浏览官网或者对应的中文文档，其中pipline需要全看，特征提取和特征转换随机看几个，分类、回归、聚类、协同过滤都分别看几个例子，模型选择和调试全看。

l  阅读spark自带的代码，并做简单修改进行代码编写，我写的一些代码路径：

/usr/local/spark/examples/src/main/python/ml

l  https://www.ibm.com/search/csass/search/?q=Spark+%E5%AE%9E%E6%88%98&sn=dw&lang=zh&cc=CN&en=utf&hpp=20&dws=cndw&lo=zh阅读里面的文章，并改成python版本，期间肯定会遇到各种问题，借此机会熟悉语法

第四章           进一步提升

http://www.cnblogs.com/pinard/

阅读上面的文章，里面讲解了各种机器学习算法的原理、优缺点、适用场景和调优经验

学习方法：算法原理只能说是简单的介绍，可以简单看看，看不懂可以直接跳过以后再看；

其他内容建议全部阅读

 

第五章           原理层面的提升

通过上面的学习，已经具备解决基本问题的能力，但对原理如果能更好的了解，分析和解决问题的思路将更加开阔。

学习方法：吴恩达作为业界公认的大牛，他的公开课非常的给力

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

同时到CSDN上找一些别人听课的学习笔记

罗马不是一天建成的，学这个一定有耐心，切记浮躁

 

第六章           补充的学习

6.1     遇到一个知识点，不断的google，查看别人的文章

6.2     快速阅读大量的相关书籍，我阅读了大概20几本，也会一并上传

6.3     阅读文献，我下载了少量的文献也会一并上传

第七章           机器学习的未来

深度学习 迁移学习

需要更深一步的理论基础，可以玩玩tensorflow

第八章           总结

8.1     学会快速阅读

8.2     学会快速的GOOGLE

8.3     不努力是不行的

8.4     多写代码

 

 

 

 

上面是小小的总结，主要是学习路线和方法，不断实践才是获取知识的捷径