Question

如何更好地学习机器学习

Answer 1

如何更好地掌握机器学习
Colorado是伯克利大学的在读博士，同时也是Metacademy的创始人。Metacademy是一个优秀的开源平台，许多专业人员共同在这个平台上编写wiki文章。目前，这些文章主要围绕着机器学习和人工智能这两个主题。
在Colorado的建议中，更好地学习机器学习的方法就是不断的通过书本学习。他认为读书的目的就是让心中有书。
一个博士在读生给出这样的建议并不令人惊讶，以前本站可能还推荐过类似的建议。这个建议还可以，但我不认为适用每个人。如果你是个开发者，想实现机器学习的算法。下面列出的书籍是一个很好的参考，可以从中逐步学习。
机器学习路线图
他的关于机器学习的路线图分为5个级别，每个级别都对应一本书必须要掌握的书。这5个级别如下：
Level 0（新手）：阅读《Data Smart: Using Data Science to Transform Information into Insight》。需要了解电子表格、和一些算法的高级数据流。
Level 1（学徒）：阅读《Machine Learning with R》。学习在不同的情况下用R语言应用不同的机器学习算法。需要一点点基本的编程、线性代数、微积分和概率论知识。
Level 2（熟练工）：阅读《Pattern Recognition and Machine Learning》。从数学角度理解机器学习算法的工作原理。理解并调试机器学习方法的输出结果，同时对机器学习的概念有更深的了解。需要有算法、较好的线性代数、一些向量积分、一些算法实现经验。
Level 3（大师）：阅读《Probabilistic Graphical Models: Principles and Techniques》。深入了解一些高级主题，如凸优化、组合优化、概率论、微分几何，及其他数学知识。深入了解概率图模型，了解何时应该使用以及如何解释其输出结果。
Leval 4（宗师）：随便去学吧，记得反馈社区。
Colorado针对每个级别中列出的书中章节阅读建议，并给出了建议去了解的相关顶级项目。
Colorado后来重新发布了一篇博客，其中对这个路线图做了一点修改。他移除了最后一个级别，并如下定义了新的级别：好奇者、新手、学徒、熟练工、大师。他说道，Level 0中的机器学习好奇者不应该阅读相关书籍，而是浏览观看与机器学习有关的顶级视频。
机器学习中被忽视的主题
Scott Locklin也阅读了Colorado的那篇博客，并从中受到了启发，写了一篇相应的文章，名为“机器学习中被忽视的想法”（文中有Boris Artzybasheff绘制的精美图片）。
Scott认为Colorado给出的建议并没有充分的介绍机器学习领域。他认为很少有书籍能做到这一点，不过他还是喜欢Peter Flach所著的《Machine Learning: The Art and Science of Algorithms that Make Sense of Data》这本书，因为书中也接触了一些隐晦的技术。
Scott列出了书本中过分忽视的内容。如下所示：
实时学习：对流数据和大数据很重要，参见Vowpal Wabbit。
强化学习：在机器人方面有过讨论，但很少在机器学习方面讨论。
“压缩”序列预测技术：压缩数据发现学习模式。参见CompLearn。
面向时间序列的技术。
一致性预测：为实时学习精确估计模型。
噪声背景下的机器学习：如NLP和CV。
特征工程：机器学习成功的关键。
无监督和半监督学习。
这个列表很好的指出了机器学习中没有注意到的领域。
最后要说明的是，我自己也有一份关于机器学习的路线图。与Colorado一样，我的路线图仅限于分类/回归类型的监督机器学习，但还在完善中，需要进一步的调查和添加所有感兴趣的主题。与前面的“读这些书就可以了”不同，这个路线图将会给出详细的步骤。

Answer 2

先看看相关的图书：要有好几本作为参考，最好是角度差异大、深浅程度不同，比如系统的导论式的、深入的有推导的、浅出的手把手的。它要充当不同学习过程中的工具书。

网络教程：比如Andrew Ng的、各种专题的博客，有针对地找相应的教程，相对着看，网络资源比如51cto学院的课程跟书的表达方式毕竟是不一样的，也是很有益的信息源。
paper：比如学CNN的时候，就搜一堆论文来，集中一段时间看一轮，一定要有针对性，带着很明确的问号去看。
开源资源：很多很多东西，其实都有人做出来开源了，直接拿来用，一边用一边理解，甚至可以学习源码
关注这个领域：关注相关的会议期刊，关注大牛们（Hinton、Bengio、LeCun等）的动向，微博加一堆领域大牛每天看一眼他们分享什么上来。
至于视频学习，我个人不太喜欢，信息密度太低，效率太低，还不如多看些书和论文（当然，你如果想瞻仰大神们，还是可以看看的）。
基础知识：线代、统计、概率、数学分析；信息论方面基本概念要理解，比如要知道相对熵是什么意思和怎么算；凸优化和最优估计相关内容，在各种各样问题中都会遇到，学好了可以帮大忙。
机器学习主要就是找到目标函数并且做参数估计，虽然有很多现成工具，但是不熟悉优化问题的话，会很抓瞎。
模型总要熟悉几个吧，神经网络（SAE、RBM、CNN等）、SVM、最大熵、CRF、随机森林、GMM等等。了解不同应用场景下各种模型有什么优劣，挑一些自己以后可能常用到的多练习。