自学机器学习的误区和陷阱不要把深度学习作为入门( 二 ) _机器学习

3. 机器学习课程3.1. 第一阶段：基础介绍（3-6 个月）
入门的第一步是学习一些经典课程和支持经典书籍。一般来说，这个过程在半年内比较合适。我在本节介绍的课程和书籍难度很低，不需要太多的数学或编程。
3.1.1.吴恩达机器学习课程
Ng 的机器学习课程 ( | ) 是许多人的入门课程，难度适中且完全免费。网站上共有49285人打分，平均分4.9分，满分5分。据我个人观察，大部分课程评分在4-4.5分之间，而能达到4.9分的课程也很少。还有一点值得关注的是，这门课有近5万人给评分，统计知识告诉我们这个样本很大，所以评分应该接近真实值，这样比较可信。据统计，该课程是所有在线课程中最受欢迎的课程。另一个更直接的观察是，如果您搜索“如何开始使用机器学习？”在知乎上，大部分答案都提到了这个入门课程，所以这是一个绝对的口碑课程。详细讨论请参考：微调：为什么中国人对吴恩达的机器学习课如此痴迷？ .
3.1.2. 机器学习与 R
在学习吴恩达的在线课程时，建议阅读相关机器学习书籍，补充理论知识。再次推荐这两本很好的入门书，我的专栏里也有这两本书的介绍。
3.1.3.周志华，《机器学习》
先生。周志华的《机器学习》也被亲切地称为《西瓜书》。虽然只有几百页，但内容却很丰富。然而，与其他人不同的是，我推荐将西瓜书作为参考书，而不是主要读物。由于篇幅所限，西瓜书涵盖了很多内容，但无法详细查看。初学者自己阅读是非常困难的。本书更适合中级读者作为学校教材或自学使用。入门时学习这本书会稍微困难一些。
我个人的建议是在学习网课和阅读ISL遇到疑惑的时候可以参考西瓜书的相关章节，但是在入门阶段没有必要逐章阅读。建议在这个阶段只阅读前十章。可以。
3.2. 第二阶段：高级学习（3-6 个月）
在这个阶段，您对机器学习有了基本的了解。如果你认真阅读过ISL并完成了 Ng的课程，相信你对什么是线性回归、什么是数据压缩有一定的理论理解，并对特征工程和简单的回归/预测问题有一定的理论基础。练习最重要！
3.2.1. 挑战/练习
(Your Home for Data)在数据分析领域早有名气，甚至可以说是数据分析第一社区。它刚刚被谷歌收购。网站上有很多很好的数据集和挑战，你可以尝试这些挑战来获得名额，甚至获得奖品，这对以后的求职也很有帮助。还有一个很大的好处就是网友们会分享他们的经验和意见，你也可以提出问题，请他们帮助你想出一些更正。
国内也有类似的平台，比如天池大数据大赛等类似的平台。
使用的主要目的是为了修炼技能，防止他们修炼屠龙技能。机器学习最大的错觉，就是以为自己什么都懂，但实际使用时，却发现它不起作用，而是一个低成本应用机器学习的机会。
3.2.2. 文档学习
(-learn: in ) 是市场上最流行的机器学习/数据科学工具包，API 在上述书中被大量使用。与使用目的一致，学习文档也是一个实践过程。推荐的方法是查看所有主流机器学习模型中的示例。
该文档是为数不多的像教程一样编写的技术文档之一，非常值得阅读。举个简单的例子，如果你想学习使用逻辑回归，可以参考：3-class

文档
不仅提供运动数据、相关代码示例，还提供可视化。
结合 -learn，我建议参考这本 19 年的书。是我看过的少数几本理论与实践相结合的书之一，尤其是代码部分！

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：