這篇文章的確很難寫，因?yàn)槲蚁Ｍ嬲貙Τ鯇W(xué)者有幫助。面前放著一張空白的紙，我坐下來問自己一個(gè)難題：面對一個(gè)對機(jī)器學(xué)習(xí)領(lǐng)域完全陌生的初學(xué)者，我該推薦哪些最適合的庫，教程，論文及書籍幫助他們?nèi)腴T？

資源的取舍很讓人糾結(jié)，我不得不努力從一個(gè)機(jī)器學(xué)習(xí)的程序員和初學(xué)者的角度去思考哪些資源才是最適合他們的。

我為每種類型的資源選出了其中最佳的學(xué)習(xí)資料。如果你是一個(gè)真正的初學(xué)者，并且有興趣開始機(jī)器學(xué)習(xí)領(lǐng)域的學(xué)習(xí)，我希望你能在其中找到有用的東西。我的建議是，選取其中一項(xiàng)資源，一本書，或者一個(gè)庫，從頭到尾的讀一邊，或者完成所有的教程。選定一個(gè)后堅(jiān)持學(xué)習(xí)，等到完全掌握以后，再選取另一個(gè)資源按同樣的方法學(xué)習(xí)。現(xiàn)在開始吧。

程序庫

我信奉這么一句話：學(xué)到一定程度后，你需要開始嘗試做事。這就是我怎么學(xué)會編程的，并且我確信其他大部分的人也是這么學(xué)會的。要知道自己的極限，激發(fā)自己的能量。如果你知道怎么編程，你就能快速深入到機(jī)器學(xué)習(xí)的學(xué)習(xí)中。然后制定一個(gè)計(jì)劃，在你實(shí)現(xiàn)一個(gè)工程系統(tǒng)前學(xué)習(xí)完這項(xiàng)技術(shù)相關(guān)的數(shù)學(xué)知識。

找一個(gè)庫，先閱讀其文檔，然后就可以照著指南嘗試做一些事情了。以下是最優(yōu)秀的機(jī)器學(xué)習(xí)庫開源代碼。我并不認(rèn)為這些庫適用于你的工程項(xiàng)目，但是它們非常適合學(xué)習(xí)，開發(fā)及建模。

先選擇一個(gè)你熟悉的語言對應(yīng)的庫，然后再嘗試其他更功能強(qiáng)大的庫。如果你是個(gè)很好的程序員，你應(yīng)該知道你可以很容易的從一種語言切換到另一種語言。程序邏輯都是一樣的，只是語法和API的區(qū)別而已。

R Project for Statistical Computing（用于統(tǒng)計(jì)計(jì)算的R工程）：這是一個(gè)軟件環(huán)境，采用類lisp腳本語言。提供了你想要的所有統(tǒng)計(jì)相關(guān)的東西，包括非常贊的繪圖。CRAN（第三方機(jī)器學(xué)習(xí)包）的機(jī)器學(xué)習(xí)分類下有該領(lǐng)域?qū)＜覀兙帉懙拇a，最新的接口方法和其他你能想到的功能都可以在上面找到。如果你想快速建模并開發(fā)，R工程是必學(xué)的。不過你不一定從一開始就從這個(gè)工程學(xué)起。

WEKA：數(shù)據(jù)挖掘平臺，提供了API，一些命令行及整個(gè)數(shù)據(jù)挖掘生命周期的圖像化用戶接口。你可以準(zhǔn)備數(shù)據(jù)，進(jìn)行可視化開發(fā)，創(chuàng)建分類、回歸、集群模型和很多內(nèi)嵌及第三方組件提供的算法。如果你需要基于Hadoop平臺工作，那么Mahout就是一個(gè)很好的機(jī)器學(xué)習(xí)java框架，這個(gè)框架和和WEKA不相關(guān)。但如果你是大數(shù)據(jù)和機(jī)器學(xué)習(xí)的新手，那么還是堅(jiān)持看WEKA，記得一次只學(xué)一樣?xùn)|西。

Scikit Learn：機(jī)器學(xué)習(xí)Python庫，依賴Numpy和Scipy庫。如果你是Python或者Ruby程序員，這個(gè)庫比較合適。該庫接口友好，功能強(qiáng)大，且有完善的文檔支持。如果你想嘗試其他東西，那么Orange將是一個(gè)不錯(cuò)的選擇。

Octave：如果你熟悉MatLab或者你是Numpy程序員且正嘗試尋找一些不一樣的東西，那么可以考慮Octave。它提供了跟Matlab相似的數(shù)據(jù)計(jì)算環(huán)境，并且可以很簡單的通過編程解決線性及非線性的問題，這些問題是大部分機(jī)器學(xué)習(xí)算法的基礎(chǔ)。如果你有工程師背景，你可以從這里開始學(xué)起。

BigML：可能你不想做任何的編程，那么你可以全部使用工具，比如WEKA。你還可以更深一步并使用像BigML一樣的服務(wù)，BigML提供了web版的機(jī)器學(xué)習(xí)接口，開發(fā)及創(chuàng)建模型可以全部在瀏覽器上完成。

選取其中一個(gè)平臺用于機(jī)器學(xué)習(xí)的實(shí)戰(zhàn)練習(xí)。不要只是看，要做。

視頻課程

現(xiàn)在很流行通過觀看視頻來學(xué)習(xí)機(jī)器學(xué)習(xí)。我在YouTube和VideoLectures.Net上看了很多機(jī)器學(xué)習(xí)的視頻，看視頻的風(fēng)險(xiǎn)在于你很容易只是看而不會去實(shí)踐。我建議在看視頻的時(shí)候一定要做好筆記，即便之后你很快就會把筆記扔掉。同時(shí)建議你不管在學(xué)什么，一定要去動手嘗試。

坦白來說，我看過的視頻中，沒有哪個(gè)視頻是特別適合初學(xué)者的，我指真正的初學(xué)者。他們都是基于讀者有最基本的線性代數(shù)和概率理論知識的假設(shè)。斯坦福大學(xué)Andrew Ng 的教程可能是最適合用于入門的了，另外，我推薦了一些一次性視頻。

Stanford Machine Learning（斯坦福機(jī)器學(xué)習(xí)）：通過Coursera可以獲取到，Andrew Ng主講。除了招生，你可以在任何時(shí)間看到所有的課程，并且從Stanford CS229 course（斯坦福CS229課程）上下載到所有的講義和課堂筆記。課程包括家庭作業(yè)，測試。課程集中在線性代數(shù)上，使用Octave環(huán)境。

Caltech Learning from Data：可以在edX訪問到，Yaser Abu-Mostafa主講。所有的課程和材料在CalTech網(wǎng)站上都可以獲取到。和斯坦福課程一樣，你可以按你自己的節(jié)奏來完成家庭作業(yè)和任務(wù)。它覆蓋了和斯坦福類似的課程，然后在細(xì)節(jié)上有一些深入，并且用了更多的數(shù)學(xué)方面的知識。家庭作業(yè)對初學(xué)者來說可能太難了。

Machine Learning Category on VideoLectures.Net（VideoLectures.Net上的機(jī)器學(xué)習(xí)分類）：初學(xué)者很容易沉溺于海量的內(nèi)容中。你可以找尋一些看起來比較有趣的視頻，然后嘗試看看。如果不是你現(xiàn)階段能看懂的，就先放放。如果你看著合適，就記筆記。我發(fā)現(xiàn)我自己總是不斷的找尋自己感興趣的標(biāo)簽，然后最終選擇了完全不同的標(biāo)簽。當(dāng)然，看看該領(lǐng)域?qū)＜艺嬲鞘裁礃拥囊餐玫摹?/p>

“Getting In Shape For The Sport Of Data Science” – Talk by Jeremy Howard：和一個(gè)本土R用戶團(tuán)隊(duì)關(guān)于機(jī)器學(xué)習(xí)實(shí)踐應(yīng)用的對話，這個(gè)團(tuán)隊(duì)在機(jī)器學(xué)習(xí)競賽中獲取了很好的成績。這個(gè)視頻很有用，因?yàn)楹苌儆腥巳ブv將機(jī)器學(xué)習(xí)應(yīng)用到一個(gè)項(xiàng)目中真正是什么樣的，及怎么去做這個(gè)項(xiàng)目。我幻想著能創(chuàng)建一個(gè)網(wǎng)絡(luò)真人TV秀，這樣可以能直接看到選手機(jī)器學(xué)習(xí)競賽中的表現(xiàn)。我是多么的向往啊。

論文概述

如果你不習(xí)慣讀研究性論文，你將會發(fā)現(xiàn)他們的語言非常枯燥。論文像是教科書的片段，但是論文描述了實(shí)驗(yàn)，或者是該領(lǐng)域其他前沿研究。不過，如果你正要開始學(xué)習(xí)機(jī)器學(xué)，這里有一些論文可能會引起你的興趣。

The Discipline of Machine Learning（機(jī)器學(xué)習(xí)的原則）：機(jī)器學(xué)習(xí)原則定義的白皮書，作者Tom Mitchell. 當(dāng)時(shí)有一場辯論，Mitchell最終說服CMU主席成立單獨(dú)的機(jī)器學(xué)習(xí)機(jī)構(gòu)，以保證機(jī)器學(xué)習(xí)將在今后的100年里作為一個(gè)學(xué)科存在。（也可參考短片Tom Mitchell訪談）。

A Few Useful Things to Know about Machine Learning（一些你必須知道的關(guān)于機(jī)器學(xué)習(xí)的事）：這是一篇好論文，因?yàn)樗痪心嘤谔囟ǖ乃惴ǎ瞧蛴诒热缣卣鬟x取概述和模型簡化這些重要的問題上。走對方向并且從一開始就想清楚，都是很好的事情。

上面我只羅列了兩篇重要的論文，因?yàn)樽x論文會真的讓你陷入困境。

機(jī)器學(xué)習(xí)初學(xué)者書籍

市面上有很多機(jī)器學(xué)習(xí)的書，但很少有針對初學(xué)者編寫的。什么才是真正的初學(xué)者？可能是從其他領(lǐng)域轉(zhuǎn)入機(jī)器學(xué)習(xí)的，也可能是從計(jì)算機(jī)科學(xué)，軟件編程或者統(tǒng)計(jì)學(xué)轉(zhuǎn)入的。即使這樣，大部分的書籍都會認(rèn)為你至少已經(jīng)有了線性代數(shù)和概率論的知識背景。

然而，這里還是有一些書鼓勵(lì)有興趣的程序員從一個(gè)最小的算法開始學(xué)習(xí)，指定工具和庫，這樣編程人員就可以運(yùn)行程序并得出結(jié)果。最著名的有Programming Collective Intelligence（中文版：《集體智慧編程》）、Machine Learning for Hackers（中文版《機(jī)器學(xué)習(xí)：實(shí)用案例解析》）和Data Mining: Practical Machine Learning Tools and Techniques（中文版《數(shù)據(jù)挖掘:實(shí)用機(jī)器學(xué)習(xí)技術(shù)》），以上三本分別基于Python，R和Java三種語言。如果有不懂的地方，可以參見這三本書。

[](http://machinelearningmastery.com /wp-content/uploads/2013/11/photo.jpg)

Programming Collective Intelligence（中文版：《集體智慧編程》）：創(chuàng)建精巧的web 2.0應(yīng)用：這本書是專門為編程人員寫的，輕理論，重實(shí)戰(zhàn)，有大量的代碼示例，實(shí)際上遇到的web問題及對應(yīng)的解決方案。買這本書的讀者，建議邊讀邊做練習(xí)！

Machine Learning for Hackers（中文版：《機(jī)器學(xué)習(xí)：使用案例解析》）：我建議在讀完P(guān)rogramming Collective Intelligence以后再來讀這本書。該書同樣提供了大量的實(shí)用性很強(qiáng)的案例。但是它有更多數(shù)據(jù)分析的東西并且使用R語言。我真心喜歡這本書。

Machine Learning: An Algorithmic Perspective：這本書像是Programming Collective Intelligence的升級版。這兩本書的目標(biāo)相同（幫助程序員入門），但是這本書包含了數(shù)學(xué)和參考文獻(xiàn)，同時(shí)也有用Python寫的示例和代碼片段。我建議讀者先看Programming Collective Intelligence，如果看完以后還有興趣，再來看這本書。

Data Mining: Practical Machine Learning Tools and Techniques, Third Edition（中文版：《數(shù)據(jù)挖掘：實(shí)用機(jī)器學(xué)習(xí)技術(shù)》）：實(shí)際上我是從這本書開始學(xué)起的，2000年的第一版。當(dāng)時(shí)我還是個(gè)java程序員，由于WEKA庫提供了很好的開發(fā)環(huán)境，我利用這本書結(jié)合WEKA庫進(jìn)行嘗試，用自己的算法做了插件并作了大量的機(jī)器學(xué)習(xí)應(yīng)用，同時(shí)延伸到數(shù)據(jù)挖掘部分。因此我強(qiáng)力推薦這本書和這種學(xué)習(xí)方法。

Machine Learning（中文版：《機(jī)器學(xué)習(xí)》）：這本書比較老，包含了公式和很多的參考文獻(xiàn)。雖然是本教科書，但是每個(gè)算法的實(shí)用性依然非常強(qiáng)。

很多人能列舉出很多優(yōu)秀的機(jī)器學(xué)習(xí)教科書，我也可以。這些書的確很棒，只是個(gè)人覺得對初學(xué)者來說不太好入門而已。

擴(kuò)展閱讀

這篇文章經(jīng)過我仔細(xì)推敲，為了確保自己沒有漏掉任何一點(diǎn)重要的東西，我同時(shí)也看了其他人列出的資源。為了使內(nèi)容更全面，這里再列出一些網(wǎng)上其他優(yōu)秀的機(jī)器學(xué)習(xí)入門資源列表。

A List of Data Science and Machine Learning Resources：很詳細(xì)的資源列表，花點(diǎn)時(shí)間讀讀作者的建議，再看看其中的鏈接。很值得一看。

What are some good resources for learning about machine learning? Why?：這個(gè)問答的第一個(gè)答案很不錯(cuò)，每次讀我都會做筆記并打上標(biāo)簽。這個(gè)答案里面最有價(jià)值的部分是機(jī)器學(xué)習(xí)課程的筆記列表及Q&A頁面的相關(guān)文章列表。

Overwhelmed by Machine Learning: is there an ML101 book?：一個(gè)StackOverflow上的帖子，上面確實(shí)列出了很多推薦的機(jī)器學(xué)習(xí)書籍列表，第一個(gè)回帖的是Jeff Moser，羅列了很多課程視頻和談話。

你是否已經(jīng)看過或者用過這些資源呢？你覺得怎么樣？

我不知道我是否為有興趣學(xué)習(xí)機(jī)器學(xué)習(xí)的程序員提供了真正有用的資源，有任何問題和建議，請留下寶貴留言！