如何入门机器学习及推荐的学习资料

近期在微信群里经常有朋友询问“如何入门机器学习？应该看哪些材料？”因此，结合我个人两年多的学习经验，整理了一些关于机器学习入门的资源和建议。以下是我从几个方面整理的入门资源：

（1）编程语言

机器学习领域常用的编程语言包括Python、R等。其中，Python因其丰富的算法库和易用性，已经成为机器学习领域最主流的语言。

Python相关库

1. NumPy：这是Python中最基础的科学计算库之一，提供了高效的数组操作功能。

   • 地址：http://www.numpy.org/

2. Pandas：主要用于数据处理和分析。

   • 地址：https://pandas.pydata.org/pandas-docs/stable/

3. SciPy：这是一个开源的Python算法库和数学工具包。

   • 地址：https://docs.scipy.org/doc/scipy/reference/tutorial/index.html

4. Scikit-Learn：包含众多的算法接口，从监督学习到无监督学习，还有评价指标和特征选择等功能。

   • 地址：https://scikit-learn.org/

5. Scikit-Multilearn：专门用于处理多标签分类问题的库。

   • 地址：http://scikit.ml/

此外，还有深度学习相关的库，例如：

6. Keras：适合初学者入门深度学习的库。

   • 地址：https://keras.io/zh/

7. TensorFlow 和 PyTorch：这两个库较为复杂，适合有一定基础的用户使用。

（2）书籍

书籍是深入学习机器学习的重要途径，以下是一些推荐的书籍：

1. 《统计学习方法》：李航老师的这本书非常经典，适合初学者系统学习机器学习的基础理论。

   • 强烈推荐：https://book.douban.com/subject/10590759/

2. 《机器学习》：周志华老师的这本书被称为“西瓜书”，涵盖了机器学习的所有主要分支。

   • 强烈推荐：https://book.douban.com/subject/26817438/

3. 《推荐系统实战》：项亮博士的这本书非常适合想深入了解推荐系统的朋友。

   • 强烈推荐：https://book.douban.com/subject/26643942/

4. 《概率论与数理统计》：很多机器学习算法都源自统计学，掌握概率和统计知识对于理解机器学习算法非常重要。

   • 强烈推荐：https://book.douban.com/subject/1445896/

5. 《Pattern Recognition and Machine Learning》：如果你的英语水平不错，可以尝试阅读这本经典书籍。

   • 强烈推荐：https://www.springer.com/gp/book/9780387310732

6. 《Reinforcement Learning: An Introduction》：如果你想研究强化学习，这本书是个不错的选择。

   • 强烈推荐：https://mitpress.mit.edu/books/reinforcement-learning-second-edition

（3）视频教程

视频教程可以帮助你更好地理解抽象的概念，以下是推荐的视频资源：

1. 吴恩达的机器学习课程：吴恩达老师的课程非常基础，适合初学者入门。可以在网易云和Coursera上找到。

   • 网易云：http://open.163.com/special/opencourse/machinelearning.html
   • Coursera：https://www.coursera.org/learn/machine-learning

2. 李宏毅的课程：李宏毅教授的课程也非常值得学习。

   • 整理好的版本：https://blog.csdn.net/soulmeetliang/article/details/77461607

（4）博客和文章

博客和文章可以帮助你快速了解一些实际应用和技巧，以下是一些推荐的博客和文章来源：

1. 国内博客：

   • 火光摇曳：http://www.flickering.cn/
   • 美团技术团队：https://tech.meituan.com/
   • 苏剑林的博客：https://spaces.ac.cn/

2. 国外博客：

   • Netflix技术博客：https://medium.com/netflix-techblog
   • Towards Data Science：https://towardsdatascience.com/

（5）比赛

比赛是检验学习成果的有效手段，通过参加比赛可以更好地理解算法的实际应用。以下是一些推荐的比赛平台：

1. 国内比赛平台：

   • 天池大数据：https://tianchi.aliyun.com/home/
   • DataCastle：http://www.pkbigdata.com/
   • Biendata：https://www.biendata.com/
   • Kesci：https://www.kesci.com/
   • JData：https://jdata.jd.com/

2. 国际比赛平台：

   • Kaggle：https://www.kaggle.com/

（6）论文

对于准备撰写论文的同学，阅读顶级会议和期刊的文章是非常重要的。以下是一些推荐的会议和期刊：

1. 数据挖掘类：

   • SIGKDD：顶级数据挖掘会议，每年的优秀论文可以在此查看。

     • 2019年：审稿中
     • 2018年：https://www.kdd.org/kdd2018/accepted-papers
     • 2017年：https://www.kdd.org/kdd2017/accepted-papers

   • SIGIR：顶级推荐系统会议。

     • 2019年：审稿中
     • 2018年：http://sigir.org/sigir2018/accepted-papers/
     • 2017年：http://sigir.org/chiir2017/accepted-papers.html
     • 2016年：http://sigir.org/sigir2016/full-papers/

2. 机器学习类：

   • AAAI：顶级人工智能综合会议。

     • 2019年：https://aaai.org/Conferences/AAAI-19/wp-content/uploads/2018/11/AAAI-19AcceptedPapers.pdf
     • 2018年：https://aaai.org/Conferences/AAAI-18/wp-content/uploads/2017/12/AAAI-18-Accepted-Paper-List.Web_.pdf
     • 2017年：https://www.aaai.org/Conferences/AAAI/2017/aaai17accepted-papers.pdf

   • IJCAI：顶级人工智能综合会议。

     • 2019年：审稿中
     • 2018年：http://www.ijcai-18.org/accepted-papers/index.html
     • 2017年：https://ijcai-17.org/accepted-papers.html

   • ICML：顶级机器学习会议。

     • 2019年：审稿中
     • 2018年：https://icml.cc/Conferences/2018/Schedule?type=Poster
     • 2017年：https://icml.cc/Conferences/2017/Schedule?type=Poster

   • NIPS：顶级综合人工智能会议。

     • 2019年：征稿中
     • 2018年：https://nips.cc/Conferences/2018/Schedule?type=Poster
     • 2017年：https://nips.cc/Conferences/2017/Schedule?type=Poster

以上是一些推荐的学习资源和平台，希望对你有所帮助。