<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                企業??AI智能體構建引擎,智能編排和調試,一鍵部署,支持知識庫和私有化部署方案 廣告
                # 機器學習入門的實用建議 > 原文: [https://machinelearningmastery.com/practical-advice-for-getting-started-in-machine-learning/](https://machinelearningmastery.com/practical-advice-for-getting-started-in-machine-learning/) [David Mimno](http://mimno.infosci.cornell.edu/) 是康奈爾大學[信息科學](http://infosci.cornell.edu/)系的助理教授。他具有自然語言處理(NLP)的背景和興趣,特別是主題建模。值得注意的是,他是 [MALLET](http://mallet.cs.umass.edu/) 的主要維護者,這是一個基于 Java 的 NLP 庫。 我最近發現大衛的一篇博文,題為“[為機器學習](http://mimno.infosci.cornell.edu/b/articles/ml-learn/)的學生提供建議”。這是一篇很棒的文章,包括我給程序員和輔導學生的類似建議。 這是一篇很棒的帖子和很棒的建議,我在這篇博客文章中為您總結了這些內容。 ## 入門機器學習書籍 大衛推薦一些非常高級的書籍作為介紹性文章。原因是他的學生都是研究生并且能夠應對挑戰。我自己不推薦這些文本。 [![Amazon Image](img/ebad9df2010f0c32b969914f526cf6d5.jpg)](http://www.amazon.com/dp/0262018020?tag=inspiredalgor-20) 不過,他建議的文字是: * [機器學習:概率視角](http://www.amazon.com/dp/0262018020?tag=inspiredalgor-20) * [模式識別與機器學習](http://www.amazon.com/dp/0387310738?tag=inspiredalgor-20) * [概率圖形模型:原理與技術](http://www.amazon.com/dp/0262013193?tag=inspiredalgor-20) * [信息理論,推理和學習算法](http://www.amazon.com/dp/0521642981?tag=inspiredalgor-20) 這些可能是現在可用的一些關于機器學習的最佳教科書的選擇。當你看到麻省理工學院,斯坦福大學,康奈爾大學和其他美國領先學校的研究生課程時,你會一次又一次地看到它們。 ## 數學入門書籍 大衛評論說,你可以學到的關于線性代數,概率和統計學的任何東西都是有用的。 [![Amazon Image](img/212ea3751f88d21d2102c3a0dac6d576.jpg)](http://www.amazon.com/dp/0980232716?tag=inspiredalgor-20) 他接著建議了幾本關鍵書: * [線性代數簡介,第四版](http://www.amazon.com/dp/0980232716?tag=inspiredalgor-20) * [貝葉斯數據分析,第三版](http://www.amazon.com/dp/1439840954?tag=inspiredalgor-20) * [使用回歸和多級/分層模型進行數據分析](http://www.amazon.com/dp/052168689X?tag=inspiredalgor-20) 實用的機器學習建議 在提出一些介紹性資源后,David 繼續在現場開始時提供一些實用的建議。 * **不要指望第一次得到任何東西**。 David 建議從多個不同來源閱讀相同方法的描述。這與我在[算法描述模板](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")中提出的建議相同,我出于必要而提出。 * **實施模型**。我同意 David 的觀點,在你[自己實現它](http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/ "How to Implement a Machine Learning Algorithm")并將其付諸實踐之前,你無法完全理解這個模型。 David 建議將您的實現與其他實現進行比較,例如開源中的實現,并尋找并理解所使用的任何提高效率的數學或編程技巧。 * **閱讀論文**。大衛講述了一篇關于每日通勤隱藏的論文的軼事。考慮選擇算法或問題,并閱讀與該論文相關的主要來源。 * **挑選一張紙并在其中生活一周**。大衛建議成為一個有紙的人,并且在你熟悉它之前要思考一周。例如,他建議您填寫任何派生方程的進展中的空白。我可以根據經驗說話,建議你仔細挑選你的論文。我選擇的文件花了我多年的時間來交流。 大衛用完美的 [John von Neumann](http://en.wikipedia.org/wiki/John_von_Neumann) 引用完成: > 年輕人,在數學中你不懂事物。你只是習慣了他們。 緊緊抓住這句話。事情一段時間沒有意義。繼續閱讀和播放,直到點擊(或者至少你有一個功能性的經驗理解)。 你有任何辛苦的實用機器學習建議嗎?
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看