研究生初学机器学习的几点建议 - 好文

通过我自己的这大半年的接触和了解，结合找工作需要现对于如何入门机器学习提几点自己的看法。如果你以后要想干算法工程师、机器学习工程师，数据挖掘工程师。那么请你好好看一下我下面说的话。

============================================================================

总路线

先学机器学习，再学深度学习（实验室某大神学长的建议），至少精通深度学习的一个方向：CV和NLP。期间要插科打诨地复习好数据结构、数学基础和强化你的编程能力。

---------------------------------------------------------------------------------------------------------------------------

* 数学功底：概率论、线性代数、高数、信息论（主要是信息熵那部分）。
* 数据结构：树、栈、链表、队列、图！慢慢琢磨吧。（要有优化算法复杂度的意识）
* 编程能力：请转移到leetcode、赛码阵营好好磨练。《剑指offer》这本书是需要你好好看的。

----------------------------------------------------------------------------------------------------------------------------------

书籍的话：《统计学习方法》（李航）、《机器学习》西瓜书、《深度学习》（Yoshua Bengio & Ian GoodFellow）、
《PRML》（选看）、《利用python进行数据分析》

吴恩达的深度学习，机器学习课程，一些其他机器学习课程都可以看。在这里，推荐一下中国海洋大学黄海广博士牵头的将吴恩达视频做成的中文版学习笔记：
机器学习 <https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes>和深度学习
<https://github.com/fengdu78/deeplearning_ai_books>
。我自己还没有看，不清楚质量如何，但是应该比较省事了。有钱的话，推荐优达学城，不过贵，不免费。深度学习的工具tensorflow和pytorch，可以买本书看，学会看官方文档，这两个工具掌握一个就好。可以通过打比赛（天池、京东、腾讯、kaggle等），做项目，进一步强化自己的动手能力。

大数据的话要会，要了解并行化分布式的东西，比如hadoop,spark,Hive等，要明白底层的工作原理。

机器学习主要模型：线性回归，逻辑回归，svm，各种树模型。原理公式要会，会推导。（如果你要走机器学习岗的工作），现在算法岗对深度学习用处多一些。

经典算法：EM,HMM,贝叶斯网络，朴素贝叶斯，聚类，PCA,LDA，高斯混合模型。

概率论相关：各种分布，极大似然，最大后验，假设检验的过程（显著性水平和p的区别和联系），卡方检验等等。

热门工具换一换