建议统计学习方法路线，ng课程入门，知道有哪些算法，大致怎么做，然后去kaggle入门赛，别做特征工程，把会的算法全用上。然后放下比赛，开始读《统计学习方法第2版》，同时看机器学习基石或其他比较数学化的进阶课程，这一步不需要你敲代码，你要会的是滚瓜烂熟的推导，做到这一步，再去kaggle参加奖金赛，阅读kernel，学习state of the art 模型，学习特征工程，再在学习过程中阅读最新的论文或者经典的论文，不断迭代这个过程，有现成的轮子不用，非得费那个劲，除非你科班毕业，代码能力扎实。
推荐学习参考：https://pan.baidu.com/s/1L_-AVlYunVX3poJ2_kvdXw 提取码: xqcf
我虽然很喜欢模式识别和机器学习，但我暂时并不希望在这上面做深入的研究，只想把别人研究好的成熟的理论用在计算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K近邻，决策树等等。能够知道每种算法的原理，而并不想深究其实现过程以及理论证明。
《机器学习精讲:基础、算法及应用》中文PDF，236页，带目录，文字可以复制；英文PDF，301页，带书签目录，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1JyWWmPnJNpdq2-_V3xg-AQ 提取码: zyij
比如SVM，我想知道的是这种算法如何实现分类，有哪几种类型，每种适合什么样的分类任务，对应的参数的意义是什么。这样我在使用SVM-Light或者libsvm的时候就知道该怎么选用参数，怎么使用学习到的系数。从这个角度看这本书很适合我。当然也适合那些在想在机器学习方面做深入研究的人作为入门教材，我想对原理了解一二之后，阅读大部头或者原著肯定会轻松很多。
网友评论