这是一个创建于 4610 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