关键词：
接触计算机不长不短业余的大学几年加上工作三年，编程三年多，行业自己心里有了自己的打算，在程序这一块的领域也有了自己的一点点体会，总有自己的想法。下一个三年的阶段性目标：机器学习。机器学习的子类是深度学习，父类是人工智能。
机器学习是大数据分析方法的一个分支。隶属于大数据，大分析
机器学习的算法有很多，监督学习，无监督学习，以及推荐算法这一个特殊算法三类
目前是根据一篇博客来整体了解了一下，接下来的熟悉还是老办法，与同行交流和读书结合，如果能在工作中用到，真的是幸运。
1.我转载了一个朋友的书单，我还没开始看。前段时间从算法入手，补充了一部分相关知识。
他的书单放在下面
（我对普通程序员的定义是：拥有大学本科知识；平时工作较忙；自己能获取的数据有限。因此，本文更像是一篇 “from the scratch” 的AI入门教程。）
书单暂时找不到了，主要涉及大在于机器学习，数据挖掘，推荐系统的一些经典书籍
云盘地址;https://pan.baidu.com/s/1bndMSer
2.学习目标，学习方针与学习计划。学习目标比较清楚，就是踏入AI领域这个门。这个目标不大，因此实现起来也较为容易。“过大的目标时就是为了你日后放弃它时找到了足够的理由”。学习方针可以总结为 “兴趣为先，践学结合”。简单说就是先培养兴趣，然后学习中把实践穿插进来，螺旋式提高。这种方式学习效果好，而且不容易让人放弃。有了学习方针以后，就可以制定学习计划，也称为学习路线。
3.实践做项目
学习完了基础课程，你对机器学习就有了初步了解。现在使用它们是没有问题的，你可以把机器学习算法当作黑盒子，放进去数据，就会有结果。在实战中你更需要去关心如何获取数据，以及怎么调参等。如果有时间，自己动手做一个简单的实践项目是最好的。这里需要选择一个应用方向，是图像（计算机视觉），音频（语音识别），还是文本（自然语言处理）。这里推荐选择图像领域，这里面的开源项目较多，入门也较简单，可以使用OpenCV做开发，里面已经实现好了神经网络，SVM等机器学习算法。项目做好后，可以开源到到 Github 上面，然后不断完善它。实战项目做完后，你可以继续进一步深入学习，这时候有两个选择，深度学习和继续机器学习；
4.深度学习
深度学习：深度学习是目前最火热的研究方向。有以下特点：知识更新快，较为零碎，没有系统讲解的书。因此学习的资源也相对零散，下面是一些资源介绍。其中不推荐的部分并不代表不好，而是在这个初学阶段不合适：
推荐，UFLDL： 非常好的DL基础教程，也是Andrew Ng写的。有很详尽的推导，有翻译，且翻译质量很高；
推荐，Deep learning (paper)：2015年Nature上的论文，由三位深度学习界的大牛所写，读完全篇论文，给人高屋建瓴，一览众山小的感觉，强烈推荐。如果只能读一篇论文了解深度学习，我推荐此篇。这篇论文有同名的中文翻译；
推荐，Neural networks and deep learning：这本书的作者非常擅长以浅显的语言表达深刻的道理，虽然没有翻译，但是阅读并不困难；
推荐，Recurrent Neural Networks： 结合一个实际案例告诉你RNN是什么，整篇教程学完以后，会让你对RNN如何产生作用的有很清晰的认识，而这个效果，甚至是读几篇相关论文所没有的；
不推荐，Neural Networks for Machine Learning - University of Toronto | Coursera：深度学习创始人教的课，最大的问题是太难，而且老先生的吐字有时不是很标准；
不推荐，Deep Learning (book)：同样也是由深度学习大牛所写的书，但感觉就像是第二作者，也就是他的学生所写的。很多内容都讲了，但是感觉也没讲出什么内容来，只是告诉你来自那篇论文，这样的话可能直接阅读论文更合适。
不推荐，cs231n：李菲菲的课程，很有名，专门讲CNN。但是这门课程有一个最大的问题，就是没有字幕，虽然有youtube的自动翻译字幕，但有还不如没有。
先这样，flag在这里就好
机器学习-第一周
机器学习-第一周这是机器学习的第一周课程，涉及到的内容较少，主要是认识一下什么是机器学习以及机器学习两个主要的分类：有监督学习和无监督学习。另外，通过一个最基础的线性回归模型来介绍机器学习中的一些相关... 查看详情
《nlp的相关资料推荐》
...众号＂CS的陋室＂的相关内容。一 作者的NLP学习之路1机器学习：《统计学习方法》，雷明的《机器学习与应用》，塞巴斯蒂安的《Python机器学习》，sklearn的API文档深度学习：黄文坚《tensorflow实战》，tensorflow技术解析与实战... 查看详情
华为云技术分享机器学习（02）——学习资料链接
以下是我学习机器学习过程中的部分学习资料，当然除些之外还有更多的文章和视频，实际看了后觉得好多内容都太难，自己目前的数学基础很难理解里面讲解的内容。另外，资料太多反而影响学习效率，很多内容都是重复的，... 查看详情
机器学习及其应用2013, 机器学习及其应用2015
机器学习及其应用2013 内容简介 书籍 计算机书籍机器学习是计算机科学和人工智能中非常重要的一个研究领域。近年来，机器学习不仅在计算机科学的众多领域中大显身手，还成为一... 查看详情
关于机器学习中数据降维的相关方法
...些场合会损失掉准确性），那么这个问题的实质其实就是机器学习的降维问题。 对 查看详情
机器学习：2.机器学习相关数学基础
本周任务：请确保熟悉并理解机器学习数学部分常用相关概念:1.高等数学1）函数2）极限3）导数4）极值和最值5）泰勒级数6）梯度7）梯度下降2.线性代数1）基本概念2）行列式3）矩阵4）最小二乘法5）向量的线性相关性3.概... 查看详情
书签机器学习相关
上手机器学习，从搞懂这十大经典算法开始集成学习方法图解十大经典机器学习算法入门 查看详情
组队学习李宏毅的深度学习-1
一、学习总任务二、完成任务1Task01——机器学习介绍 Part1：任务综述 本任务主要是需要掌握机器学习的基本内容，包括简要历史、相关概念、主要相关技术的介绍。 Part2：主要内容笔记1.人工智慧，机器学... 查看详情
标签：算法数据挖掘机器学习深度学习版权图专栏收录该内容66篇文章23订阅订
前言：本文的作者认为对于GNN的可解释性不足。基于此，作者在节点分类任务上提出可以通过将忽略图结构的浅层模型与两个利用标签结构中相关性的后处理方法相结合，超越或匹配最先进的GNN。具体如下:(i)误差相... 查看详情
机器学习之深度学习入门(代码片段)
...习资料，学习建议本文用浅显易懂的语言精准概括了机器学习的相关知识，内容全面，总结到位，剖析了机器学习的what，who，when,where,how，以及why等相关问题。从机器学习的概念，到机器学习的发... 查看详情
机器学习/人工智能的笔试面试题目——机器学习相关问题总结
目录1.简述解决一个机器学习问题时，你的流程是怎样的？2.损失函数是什么，如何定义合理的损失函 查看详情
机器学习的相关算法了解和总结(代码片段)
文章目录机器学习的相关算法了解和总结1、机器学习的一般步骤2、相关算法3、决策树4、支持向量机SVM5、神经网络6、随机森林算法机器学习的相关算法了解和总结1、机器学习的一般步骤训练集训练->提取特征向量->结合一... 查看详情
机器学习——分类
1.机器学习的主要分类（1）监督学习（Supervisedlearning）?训练数据有目标向量（标签）?分类、回归…（2）非监督学习（Unsupervisedlearning）?训练数据没有目标向量（标签）?聚类、密度估计、可视化…（3）强化学习（Reinforce... 查看详情
机器学习相关数学基础lll
1.高等数学1）函数 2）极限 3）导数 4）极值和最值 5）泰勒级数 6）梯度 7）梯度下降 2.线性代数1）基本概念 2）行列式 3）矩阵 4）最小... 查看详情
机器学习相关慨念
一、 机器学习相关慨念1、机器学习定义 大数据时代，随着网络的普及化以及计算机计算速度和存储能力的提高，人类更容易收集、存储、传输、管理数据，各行各业已经积累了大量的数据资源。如何利用... 查看详情
[机器学习]实验笔记-表情识别（emotionrecognition）
前言 [机器学习]实验笔记系列是以我在算法研究中的实验笔记资料为基础加以整理推出的。该系列内容涉及常见的机器学习算法理论以及常见的算法应用，每篇博客都会介绍实验相关的数据库，实验方法，实验结... 查看详情
机器学习的相关算法了解和总结(代码片段)
文章目录机器学习的相关算法了解和总结1、机器学习的一般步骤2、相关算法3、决策树4、支持向量机SVM5、神经网络6、随机森林算法机器学习的相关算法了解和总结1、机器学习的一般步骤训练集训练->提取特征向量->结合一... 查看详情
机器学习相关的awesome系列
IndexAwesome备注1AwesomeMachineLearning机器学习资源大全中文版2Awesome ArtificialIntelligence人工智能3AwesomeAwesomenessAwesomeAwesome的平方，还有个立方但是不经典4AwesomeDeepLearning深度学习5AwesomeVeryDeepLearning非常深的深度学习6AppliedD 查看详情