step 1:搞定python基础
google两天python实训课程(视频)
https://www.youtube.com/watch...
step 2:机器学习基础
课程1(Tom Mitchell Machine Learning Lectures):http://www.cs.cmu.edu/~ninamf...
课程2(Andrew Ng’s Machine Learning course):https://www.coursera.org/lear...
课程3(课程2的笔记):http://www.holehouse.org/mlcl...
step 3:科学计算包(神器)
numpy, scipy,matplotlib,scikit-learn,pandas
scipy课程:http://www.scipy-lectures.org/
pandas入门:http://pandas.pydata.org/pand...
对于 scikit-learn 的整体介绍,它是 Python 最常用的通用机器学习库,完成以下网站内容的学习:
1:https://github.com/justmarkha...
2:http://nbviewer.jupyter.org/g...
step 4:接触机器学习中常用的算法(主要思考能使用在哪些领域)
1:k-means 聚类
2:决策树 (分类)
3:连续数字变量的预测
4:回归解决分类问题
step 5:机器学习高级主题
1:Support Vector Machines
2:随机森林,一种集成分类器
3:降维是一种减少问题涉及的变量数目的方法( Dimensionality Reduction )
小结:
最常用最知名的机器学习算法( knn 最近邻,k-means 聚类,支持向量机),了解了一种强有力的集成方法(随机森林),涉及了一些其他机器学习支持方案(降维,模型验证技巧)。在一些基础机器学习的技巧的帮助下,我们开始有了一个渐渐丰富的工具箱。
step 6:基于神经网络的深度学习
http://neuralnetworksanddeepl...
借用Caffee框架,学习解决自己想要解决的问题
https://github.com/google
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。