问机器学习的入门级有用资源

EN

我假设你所说的“帖子”指的是任何在线可用的资源。

我推荐两组资源：

首先，找到机器学习博客，在这些博客中，博主的首选语言与您的相同。在我的经验中，阅读一篇关于单个主题的博客文章(例如，SVM)，同时阅读博客文章附带的作者的源代码，这大概是程序员学习ML的最好方法。一个很好的例子是博客Smell the Data (Python)和Igvita (Ruby)。两者都包含(至少)几篇文章，每个文章都描述了教程风格的特定ML技术，其中包括他们(发布的)源代码的近距离演练。特别是Igvita，它有关于在支持向量机、决策树、奇异值分解和集成方法上使用Ruby代码的优秀教程--就像我提到的另一个博客一样，可以仅根据这两个博客中的ML帖子来教授高级本科生课程。

其次，我强烈推荐VideoLectures.net。

到目前为止，这是我找到的最好的资源--无论是免费的还是付费的--非常高的质量(包括视频质量和演示内容)关于机器学习的视频讲座和教程。这些视频讲座的目标受众从初学者(有些讲座被特别标记为“教程”)到专家；大多数人似乎都在中间的某个地方。

所有的讲座和教程都是给经验丰富的专业人士和学者教授的，在许多情况下，讲师是他/她所讲主题的主要权威。该网站也是100%免费的。

缺点之一是您不能下载讲座并将其存储在例如itunes中；但是，几乎每个讲座都有一组幻灯片可供下载(或者，方便的是，您可以在观看演示文稿时在线查看它们)。

下面是我看过的几个，我可以强烈推荐：

• Semi-Supervised Approaches
• Introduction to Machine Learning
• Gaussian Process Basics
• Graphical Models
• k-Nearest Neighbor Models
• Introduction to Kernel Methods

机器学习是一个非常宽泛的话题。我会从Wikipedia开始，专注于您感兴趣的领域。

此外，您还可以访问Stack Exchange site for machine learning。

斯坦福大学发布了http://see.stanford.edu一系列工程课程的视频和材料

安德鲁·Ng的一门课程专注于机器学习技术http://see.stanford.edu/see/courseinfo.aspx?coll=348ca38a-3a6d-4052-937d-cb017338d7b1

该课程也可在iTunes U上获得

这是一门很好的课程，因为他显然很了解这个领域，但他花了很多时间来得出数学结果-所以如果你的线性代数或prob/stats很生疏，你可能需要先复习一下。