ml handout
链接：https://www.zhihu.com/question/20691338/answer/102249162
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
我看到有人在问，Andrew Ng的视频，还有代码这些的资料。再次整理一下：
1、机器学习实战的书：《机器学习实战 (图灵程序设计丛书 72)》 [美]Peter Harrington, 李锐, 李鹏, 曲亚东, 王斌 书评 简介 电子书下载 Kindle电子书
2、Andrew Ng老师的视频教程：Machine Learning:斯坦福大学机器学习个人笔记完整版（附所有视频和字幕） （现在Andrew Ng老师没开新课了，这是一个同学自己下载的所有视频和相关资料，大家可以自行下载）
3、Andrew Ng老师早期的一个机器学习公开课：斯坦福大学公开课 ：机器学习课程
4、Andrew Ng老师机器学习课的代码。Python版本：icrtiou/Coursera-ML-AndrewNg
Matlab版本：vugsus/coursera-machine-learning
另外，鉴于现在深度学习这么的火热，而且现在做机器学习也避免不了了解及应用深度学习，我这里也加入一些深度学习的内容。
1、入门的数学和编程基础和机器学习的要求是一样的。
2、入门读物还是推荐Andrew Ng老师组织的一个WIKI，UFLDL Tutorial - Ufldl ， 非常建议大家老老实实花两个星期的时间把这个wiki的内容和相关程序自己实现一次。而且，这个wiki是有中文版本的，在每个页面的最下面都可以点击查看中文版本。（PS：我还很荣幸的当时参与了当时的翻译工作，为内容的中文化做了一点点微小的工作。）。
3、现在的深度学习应用最为广泛的就是卷积神经网络（Convolutional neural network， CNN），所以建议大家可以多看看这个方面的内容。正好这几天Fei Fei Li老师的CNN课程又开课了，大家有兴趣可以去看看。这个网站会同步更新，而且有中文翻译。【中文字幕】2017春季CS231n 斯坦福深度视觉识别课。
4、做深度学习避免不了的要选择一个平台，Tensorflow，Caffe，Torch，MxNet等等都是选择。如果是新手，尤其是基于Windows平台的新手，我还是比较建议用Tensorflow。具体的内容可以参见这个莫烦系列教程 - Tensorflow教程。
5、最后，就是勤联系、勤联系、勤联系啦。
6、最后的最后，如果没有项目参与，那么最好的检验自己的学习成果的手段就是参加比赛啦。国外的Kaggle，KDD CUP，...。国内的天池大数据竞赛，...。
这几年，机器学习绝对是计算机领域最热门的话题和方向。笔者不属于专门研究机器学习，但是平时的工作会经常用到一些相关的算法。因此，对于机器学习也仅仅是入门的水平。但是我想也正是因为我只是一个入门汉，所以能够从我们入门者的角度来总结如何入门，希望对还在门外的同学有一些帮助。
数 学
很多人翻看任何一本机器学习的书，看到一推的数学公式就开始打退堂鼓了。开始搜索，提问“机器学习需要哪些数学知识？”然后得到的结果可能会是“矩阵分析，概率论，优化设计……”而且还会有大量的人推荐一些例如“All of Statistics”，“Convex Optimation”等等外文教材。至少我当时面对的情况就是这样的。这种情况很可能后面会朝以下画风发展。
看到上述推荐的那些经典教材，你像看待圣经一样看待他们。抱着一种学会了那些课，我再看机器学习的书简直就会是探囊取物的想法，你下载了巨多相关材料。但是，慢慢你会发现，除了把他们下载了下来，你并没有任何的进步。你并没有完完整整的看完一本，你并没有在机器学习方面卓越超群。
入门阶段真的需要这么多的数学储备吗？未必。
入门阶段我感觉你只要有普通工科专业大一大二那几门基础数学课“线性代数”，“高数”，“概率论与数理统计”就可以让你入门了。
所以，千万别被机器学习中的数学所吓倒而不知道该如何下手。
只要有上述的几门课的基础，你完全可以看懂很大一部分机器学习算法。
程序语言
机器学习入门最佳的方法其实就是理论和代码一起学习。一边看相应的理论推导，一边看并且实践经典代码。所以，为了更快入门，我推荐你最好能够懂点MATLAB或者是Python语言。
Matlab和Python说实话做高端的机器学习肯定是不推荐的，但是如果你想的是机器学习快速入门，那这两门语言绝对是绝佳选择。
第一步
有了上述基础后，你可以开始看点机器学习的相关内容了。我看很多人推荐elements of machine learning。我想说，你想让一个基础为零的人去看这本书，真的合适吗？？？
所以，我推荐的是Machine Learning in action，（这里面的完成语言为Python）这是英文版本的。当然如果你觉得英文对你是一个完全过不去的坎，（虽然我建议做技术的人都必须至少要看得懂英文）现在有中文版本，叫“机器学习实践”。
这本书用尽量少的公式把机器学习的基本算法都过了一遍，而且还讲得很清楚，更为重要的是他将公式和代码结合了起来。因此，你的机器学习并没有那么的抽象了，你知道算法里的公式如何的转化为代码。
所以，第一步，你可以耐着性子将这本书看完。反正我当时，把书中的代码自己敲了一次，虽然代码有的下载，你也可以选择只是把代码看懂完事。但我还是建议，自己敲一次，运行运行，这样你会得到不一样的体会。
第二步
学习Coursera上面Andrew Ng老师的machine learning的课程。这门课造福了众多机器学习的入门者，不仅仅是因为课程全面，内容由浅入深。更加重要的是这门课程每次课都有课堂作业，作业不需要你写出来所有的代码，但是关键代码要你写出来，而且还会教你如何调试代码。
初学者学这门课的时候很可能会买有耐心，又是英文的，又有进度要求，又有作业。没关系，你可以把视频下载下来（很多网盘里都有下载好的视频），然后慢慢的去啃。作业也是，可能你自己不能一口气写出来，没关系，在自己做了大量尝试后，去Github上面下载一些别人写好的代码看一看，找找自己的问题到底出在了哪里。
总之，一定要耐着性子过一遍甚至是几面这个课程。
第三步
这时候你已经对机器学习很多简单的算法比较清楚了，但是可能还没有一种大的全局观。所以，我建议大家可以看看这两本中文教材。周志华老师的西瓜书《机器学习》和李航老师的《统计学习方法》，这两本书都是作者花了大量心思编写的，也是在中国众多科技书籍中难得的两本佳作。
英文书籍，可以推荐《Patten Recognition and Machine Learning》，《Elements
of Statistical Learning》(但是这本书难度比较大，如果你有足够的耐心，可以慢慢啃，多次的啃。相信每次都会有不同的收获。我自己已经看了好几次，但是确实每次都没有完全看完，但是目前我遇到很多问题，我去翻这本书，还是能找到很多答案，尤其是我做稀疏相关的工作，里面的相关内容讲解非常清楚。）
第四步
这时候，机器学习你已经可以说大概入门了。后面的事情，就得根据你的需求来制定相关的学习路线。
比如，做大数据分析的，得去学学spark，Hadoop等计算框架；
另外，图模型，深度学习……等等内容，都是一些方向。
自然语言处理、图像识别、语音识别等等也是一些应用方向，更有大量的领域知识需要结合。
在前沿部分和第一到第三步的内容，如果你能按照这几步走下来，入门是肯定可以的。至于后面的机器学习精通部分，我也只能说：Good Luck and Have Fun
广告时间：机器学习、未来智能、机器人相关话题，可关注公众号：
平衡小车之家
