这是一个创建于 4308 天前的主题，其中的信息可能已经有所发展或是发生改变。
最近因为毕业设计的原因，在研究 Machine Learning 相关的东西。到现在为止算是刚刚入了个门，但是由于不知道这个课题内的知识结构是怎样的，所以有种身在此山中的迷惑感。
有 V2EXer 是在做这方面的研究工作吗？求推荐介绍该领域知识框架的文章，必感谢~。
我找过一些，但是皆无果，所以很郁闷啊。或许这个领域还没有人做过总结整体知识框架的工作么==？
其它有价值的东西也求推荐啊，必感谢~。
有 V2EXer 是在做这方面的研究工作吗？求推荐介绍该领域知识框架的文章，必感谢~。
我找过一些，但是皆无果，所以很郁闷啊。或许这个领域还没有人做过总结整体知识框架的工作么==？
其它有价值的东西也求推荐啊，必感谢~。
 |
3
forest520 2013-02-24 18:14:13 +08:00 via Android  1
推荐两本书吧，李航的统计机器学习和刘斌的web数据挖掘
|
 |
4
Asimov 2013-02-24 18:21:06 +08:00 2
|
 |
5
winiex OP @forest520
谢谢推荐！ 我记得有评价说第一本书是国内质量的上乘之作了，不过还没有看过~。我入门看的 Mitchell 的 Machine Learning[1]。这本书数学知识设计的比较少，感觉挺不错啊！ 我也找过介绍机器学习领域框架的专著过，但是还没发现比较满意的。听过搞学术的过程中，奠定一块领域的学术体系是超大的贡献之一，类似于 TAOCP 便做了算法与可计算领域这块的工作——在这之前相关的研究只是零零散散，不得章法。 现在研究机器学习的东西，就有这种感觉——涉略到的书的知识介绍是不得章法的（或许是我看的太少了还 :) ）。 譬如，一个具体的问题就是，机器学习领域的细化分类是怎样的呢？单单就说监督、非监督、半监督，或者贝叶斯派、神经网络派虾米的，还是太笼统了点。暂时还找不到一个很权威的说法啊！ @Asimov 多谢~。这俩答案很赞，之前已经看过啦~，很有启发性。不过貌似没有解决我的疑惑 :)。 [1] http://book.douban.com/subject/2252153/ |
 |
6
clowwindy 2013-02-24 19:16:10 +08:00 1
这个领域还在不断发展，恐怕没有一种权威的划分方法。只是大体了解一下有哪些研究方向的话，维基百科上已经写的不错了：
http://en.wikipedia.org/wiki/Machine_learning |
 |
7
lookhi 2013-02-24 19:42:37 +08:00
@winiex 最近因为毕业设计的原因，在研究 Machine Learning 相关的东西。到现在为止算是刚刚入了个门。还来的及吗？时间太短了吧。
|
 |
8
ayang23 2013-02-24 20:08:40 +08:00 1
《模式分类》很经典的书，很容易理解。
|
|
9
winiex OP @clowwindy
维基页面的质量很高，谢谢你！请问能不能给类似于我这样刚入门的童鞋一些初学建议或者指引啊？多谢了！ @lookhi 我和你是一样的情况啊，就刚寒假开始整的。一些英文专著写的很通俗易懂，慢慢读就行了，来得及的！如果只求见木不见林的话，理解那些常用算法就算入门了。你可以参看这份书单[1]。 @ayang23 你是说这本书[2]吗？还是 PRML[3] 啊？ [1] http://book.douban.com/doulist/176513/ [2] http://book.douban.com/subject/4603803/ [3] http://book.douban.com/subject/2061116/ |
|
10
clowwindy 2013-02-24 20:39:22 +08:00
@winiex
Andrew Ng 的录像和 notes http://v.163.com/special/opencourse/machinelearning.html http://cs229.stanford.edu/materials.html 另外找一些数据动手实验一下吧。把标数据、提特征、训练、测试整个自己走一遍，会更有感觉一些。 |
|
11
winiex OP @clowwindy
Andrew Ng 的视频公开课确实非常经典~。 如果做数据测试的话，该怎么做呢？我搜到过一个叫做 weka[1] 的工具，它可以用来进行试验。还有其它类似的工具集吗？ Weka 是用 Java 来进行测试的。听说也有 python、R 的，另外，最流行的貌似是 Matlab 啊，Andrew Ng 的课程就是用它来做作业的~。 [1] http://www.cs.waikato.ac.nz/ml/weka/ |
 |
13
ztpk 2013-02-25 04:03:33 +08:00
斯坦福CS229是很好的参考嘛，参考其讲义 http://cs229.stanford.edu/ 另外Coursera上有视频。 最近在上这门课，发现越学的深入越会觉得数学捉急，懂统计线代和一点多元微积分可能会对学习有所帮助。另外微软大牛Christopher M. Bishop的pattern recognition and machine learning也可参考。个人认为斯坦福机器学习的讲义全搞懂就算是有个知识框架了。
|
 |
14
Ultratude 2013-02-25 06:48:30 +08:00
毕业设计？这么早。
|
 |
16
sxyclint 2013-02-25 07:45:36 +08:00 via iPhone
刘未鹏博客有推荐
|
|
17
ayang23 2013-02-25 10:57:07 +08:00
|
 |
18
aurora1625 2013-03-02 21:57:16 +08:00 2
4楼回复内容里面的两个链接都是出自我手，我在知乎上面也回答了其他和机器学习相关的内容，你可以顺便看看。
如果说框架性的内容，任何一本教材都会告诉你框架的内容。无论你是本科毕设还是硕士毕设，都会是一个很具体的问题，应该不会涉及到框架上的东西。 至于迷惑感，我读书好多年了，我至今仍旧有迷惑感。机器学习发展太快了，半年一年不跟国际会议，再去看大家都在干嘛的时候就已经云里雾里的了，等你明白过来怎么回事，大家又都开始扑向另外的热点了。所以，还是别迷惑了，抓住具体的东西，像@clowwindy 说的一样 “找一些数据动手实验一下吧。把标数据、提特征、训练、测试整个自己走一遍，会更有感觉一些。” 至于你说的什么频数学派和贝叶斯学派，这两个学派打仗都打了好几十年了，没人能说明白。而且你入行就纠结这些，容易走火入魔的。先动手，把自己的小问题解决好，打好内功才是要义。 |
|
19
winiex OP @aurora1625
多谢指教！ 最近正在按照各位前辈的指教，跑数据做实验呢，对于具体的一些算法有了比仅仅看书更为深刻的理解！ 如果一个领域的知识，让人刚开始就能有一个全局层面上的了解，就能够对自己所做的工作有更实在的把握，知道自己在干什么。Coding 的时候一般都有一个知识层级告诉我，所以我觉得自己做起来还是很踏实的感觉，而忽然开始研究这样一个正在发展的领域，自己摸不着自己所做的工作的性质，确实很迷惑啊 :(。 或许这就是工程和科研之间的区别之一吧 :)。 希望以后有问题了能够继续请教你，请问可以吗？ |
|
20
aurora1625 2013-03-03 19:03:26 +08:00
@winiex of course
|
Select Language