dive into machine learning翻译
网址: http://www.buyiker.com/2015/11/09/dive-into-machine-learning.html
HI , 看这里， 这是一个给你的指引
- 刚了解机器学习
- 你会使用python.(至少是一个基础！你如果想学习python，可以试着Dive into Python
为了第一次hacking，我学习了python，之后又去不断深入；我用它做机器学习，如果你也深谙此道，跟我一起变的强大；
注意:这里有几个关于”数据”的名词，而机器学习只是其中之一，了解这些名词，会对你理解本文有很大帮助:数据分析、数据挖掘、数据科学、机器学习和大数据有什么区别呢？
让我们去尝试去做吧！
我的建议是：去自己使用下，这样会提高你的自信
你需要的工具列表
- python . Python 3 是最好的选择。
- IPython和jupyter学习日记
- 一些科学计算包
- numpy
- pandas
- scikit-learn
- matplotlib
你可以安装Python3和以上所有包裹，只需要在Anaconda Python distribution.Anaconda是非常受欢迎的数据科学和机器学习论坛；
如果你使用python2.7，也不要担心；你可以不用迁移到Python3;另外，如果你使用pip/virtualenv去替代Anaconda，这样也是可以哦！可以参照 conda vs. pip vs. virtualenv
让我们开始吧！
学习怎么使用IPython笔记(5-10分钟).
现在，跟着一个介绍机器学习模型scikit-learn文档(10分钟)。并且使用ipython或者ipython笔记。它真的会提高你的自信。
刚刚发生了什么？
——-
你刚刚用sciki-learn,对手写数字进行了区分，很爽吧？
sciki-learn是一个python版本机器学习类库。机器学习是困难的，你会非常高兴你有这样的工具，可以简单的去解决它；
我非常鼓励你花5分钟，或者更多的时间，去浏览sciki-learn主页，去了解一些名称（分类、回归等），以及他们的使用场景。不要去点击进入里面去看详细内容，你只需要过目就可以了。
深入部分
图解机器学习
让我们对机器学习了解再多一点，一些通用的想法和理念。阅读图解机器学习，这篇文章的作者Stephanie Yee和Tony chu
它不会花费你很长时间的！它介绍的很漂亮，到时要控制住自己的口水哦！
好的。让我们更加理解更深点！
来让我阅读Pedro Domingos写的几个非常有用机器学习建议，写的很有干货而且还简单明了。作者了解很多窍门，而且展示给你。
花些时间去了解它，最好记下笔记。不要担心你现在不是很了解。
整篇论文写了很多要点。但是我要指出其中我认为重要的两点：
-
不仅仅只是数据：机器学习是一门科学艺术。引用Domingos的话来说:”所需要了解的知识不会那么晦涩。机器学习不是魔术；它不会无中生有，只是从很少的信息，来获取更多你所需要的信息。编程：像大多数的工程，它大多数的工作：我们不得不从很多条框上建立；机器学习更像耕种，让自然环境做大多数的工作，农民播种通过吸收营养来使得其成长。机器学习者更像组合知识来让数据获得方程式；”
-
更多的数据，比一个聪明的算法更加重要：仔细听，程序猿们！我们喜欢酷的工具，抵制重复建造轮子的诱惑，不要过工程师；你应该专注的是，做最简单的事情，来尽可能使其工作。引用Domingos的话来说：“你已经尽最大可能建立最好的属性，但是分类器还没有达到你的要求。这时候你能做什么？这里有两个选择：设计更好的算法或者获得更多的数据。一个有充足数据稍微差的分类器会打败一个有少量数据的聪明算法”
所以### 知识 ###和### 数据 ###都是非常重要的。集中精力在这些方面上，而非只看重算法本身。在实践中，这就意味着你万不得已时才增加复杂性，否则你应该做简单的事情；不要一上来就用神经网络，只是因为它足够酷炫。提高你模型，通过得到更多的数据和对问题理解的来使用数据。应该花费你的时间在这些方面上。优化算法应该在你得到足够的数据，并且你处理的很好之后的事情。
Talk machines
订阅Talk Machines,这是一个关于机器学习的博客，它很高效让你收获知识。
我建议的听的顺序:
- 从“Strart simple”章节开始。它看起来像是Domingos所写.Admas建议从简单开始，就像我上面所赘述的一样。Admas会集中大量精力，在属性建设方面。属性建设就是知识的升华。
- 然后，从第一章节开始。
从玩中学习
从IPython笔记中挑选一到两个,玩耍一下！
- 在一堆标记号脸上做人脸识别
- 从灾难中机器学习：使用Titanic数据，分析和可视化技术，用演示基本模型。展示一些监督学习例子。
- 预测选举：复制Nate Silver为纽约时代杂志对2012年美国总统选举的预测。
- 一个机器学习笔记的例子:”我们正在为一家创业公司工作，这家公司想用手机自动识别拍照花卉类别,我们根据对数据的理解，创建一个拥有四个关于花度量（花萼长度，花萼的宽度，花瓣的长度，花瓣的宽度）的机器学习demo，通过这四维属性，识别花的种类”
- 点击安全的”数据hacking”系列（感谢hummus!）
- 检测自动生成主域
- 检测sql注入
- Java class 文件分析：判断是恶意代码还是友好代码？
- 如果你想获得更多数据科学，可以翻阅下杰出的数据科学ipython笔记。（持续更新数据可续Python笔记:Spark,Hadoop MapReduce,HDFS,AWS,Kaggle,scikit-learn,matplotlib,pandas,NumPy,Scipy,Various命令行）
- 或者更多的通用教程/概述。。。
还有更多的地方可以找到非常好的Ipython笔记
让自己深入专研
- 选择下面的一个课程，并且完成它。
推荐课程
教授Andrew Ng的机器学习在线课程 这是一个免费的在线教程，我经常推荐,并且是一个重点 。
创建一个玩具工程，去运用你学习到的知识，是很有帮助的。你可以使用一个杰出的数据集.还有记住，Ipython笔记是你学习的伴侣。
还有，Elements of Statistical Learning(统计学习元素)经常出现，但是它通常作为一个参考的援引，而不是作为一个介绍。它是免费的，可以下载下来或者弄成标签页。
其它课程
下面是我推荐一些其它在线教程。（机器学习，数据科学和其它相关的主题）
- 机器学习由 华盛顿大学的Pedro Domingos教授; 前面介绍了Domingos教授论文“A Few Useful Things to Know About Machine Learning”(谢谢Hacker News 论文工作)
- 数据科学课程
参考
