如何更好的掌握機器人學習？

如何更好地掌握機器學習\x0d\Colorado是伯克利大學的博士生，也是Metacademy的創始人。Metacademy是壹個優秀的開源平臺，很多專業人士在這個平臺上寫wiki文章。目前這些文章主要集中在機器學習和人工智能方面。\x0d\在科羅拉多的建議中，學習機器學習更好的方法是通過書本不斷學習。他認為讀書的目的是把書記在心裏。\x0d\壹個博士生給出這樣的建議並不奇怪。這個網站以前可能推薦過類似的建議。這個建議是可以的，但是我覺得不能適用於所有人。如果妳是開發者，妳想實現機器學習的算法。下面列出的書是壹個很好的參考，妳可以從中逐步學習。\x0d\機器學習路線圖\x0d\他關於機器學習的路線圖分為五個層次，每個層次對應壹本必須掌握的書。五個層次如下:\x0d\Level 0(新手):讀數據智能:利用數據科學將信息轉化為洞察力。需要了解電子表格，和壹些算法的高級數據流。\x0d\Level 1(學徒):用R讀機器學習，學會在不同情況下應用R語言中不同的機器學習算法。妳需要壹點編程、線性代數、微積分、概率論的基礎知識。\ x0d \二級(技術工人):讀模式識別和機器學習。從數學角度理解機器學習算法的工作原理。了解並調試機器學習方法的輸出結果，對機器學習的概念有更深入的理解。妳需要算法，良好的線性代數，壹些向量積分和壹些算法實現的經驗。\x0d\Level 3(碩士):閱讀概率圖形模型:原理與技術。深刻理解壹些高級課題，如凸優化、組合優化、概率論、微分幾何等數學知識。深入理解概率圖模型，知道什麽時候使用，如何解讀其輸出。\x0d\Leval 4 (Master):隨便去學學，記得反饋社區。\x0d\Colorado針對每壹級所列的書中章節給出閱讀建議，並給出建議理解的相關頂級項目。\x0d\Colorado後來重新發表了壹篇博客，其中對路線圖做了壹點修改。他去掉了最後壹個等級，把新的等級定義為:好奇、新手、學徒、熟練工、大師。他說，0級機器學習的好奇心，不應該看相關的書，而是瀏覽和觀看機器學習相關的頂級視頻。\x0d\機器學習中被忽視的主題\x0d\Scott Locklin也看過科羅拉多的博客，並受到了啟發。他寫了壹篇相應的文章，名為《機器學習中被忽視的想法》(配有鮑裏斯·阿茨巴舍夫繪制的精美圖片)。\x0d\Scott認為科羅拉多給出的建議並沒有完全引入機器學習領域。他認為很少有書能做到這壹點，但他仍然喜歡彼得·弗拉克(Peter Flach)寫的《機器學習:讓數據有意義的算法的藝術和科學》(Machine Learning:The Art and Science of Algorithms)這本書，因為這本書也觸及了壹些晦澀難懂的技術。\x0d\Scott列舉了書中被忽略太多的內容。如下:\x0d\實時學習:對於流數據和大數據非常重要。參見Vowpal Wabbit。\x0d\強化學習:在機器人學中有過討論，在機器學習中很少。\x0d\ "壓縮\ "序列預測技術:壓縮數據發現學習模式。參見CompLearn。\x0d\面向時序的技術。\x0d\壹致性預測:實時學習的精確估計模型。\x0d\噪聲背景下的機器學習:比如NLP和CV。\x0d\特征工程:機器學習成功的關鍵。\x0d\無監督和半監督學習。\x0d\這個列表指出了機器學習中沒有被註意到的領域。\x0d\終於，我自己有了壹個關於機器學習的路線圖。和科羅拉多壹樣，我的路線圖僅限於分類/回歸類型的監督機器學習，但仍在改進過程中，所有感興趣的話題都需要進壹步調查和添加。與之前的“只看這些書”不同，這個路線圖會給出詳細的步驟。