GitHub forks GitHub forks GitHub forks
有所思有所悟,个人的技术博客
经过研究,打算将所有博客移动到相关仓库的Issue, 包括新增博客;不仅如此,以后所有仓库都会按照该方法作为参考来记录。
对于我来说,用Issue来写博客有以下优点:
- label 的支持:看到相关 label 就知道该文章属于哪一类
- markdown 语法的支持
- 图片的插入
- 自带的评论系统,方便交流
- 可以配合 Project 来管理博客
除一般的 label 外,还会有以下 label 进行扩展:
- AMA: ask me anything, 提出问题
- TODO, DOING: 表示一个问题,一篇文章,一个特性的进度
目前学习相关知识所看过的书籍,资料,视频,下面我认为相对较好的机器学习入门路径,仅供参考。
(说明:推荐资料全英文,也强烈建议看英文材料。好处在于 看的慢,思考的多,留下的多)
-
Hands-On Machine Learning with Scikit-Learn and TensorFlow
大多数人以机器学习实战,西瓜书和统计学习方法作为入门材料,前一本书重工程,后两本重理论及推导,可以作为进阶书。而 Hands-On Machine Learning with Scikit-Learn and TensorFlow 的优势在于书籍比较新,且有github配套的源代码实现,书中涉及传统的机器学习方法及其sklearn实现。
学习建议:先看一遍书,接着对照着github代码实现一遍,最后再看一遍书。
官方代码实现:python2
我的实现:python3, 部分中文注释,更适合, 提供pdf下载,仅供学习 -
在阅读上述书籍的过程中,对某个传统机器学习算法感兴趣,可以参考上面的机器学习博客自己实现。
-
A Neural Network in 11 lines of Python (Part 1)
上述书籍最后大半内容是关于神经网络的了解和使用,tf实现。而这篇博客对我了解反向传播算法,实现最简单的神经网络有很大的帮助。 其后续文章介绍梯度下降,dropout防止过拟合,非常值得阅读。 -
Neural Networks and Deep Learning 后续可以加深对神经网络的了解和深入。这本书的第三章使用74行代码,不借助任何深度学习框架实现神经网络识别手写数字,有了第3步的基础,相信理解不难。
反向传播可视化和链式求导 该连接下有几个深度学习介绍的视频,在阅读书籍的过程中可以随时观看视频,对理解反向传播及链式求导有可视化的讲解。 -
kaggle项目实战
此时可以将学到的知识用于解决实际问题, kaggle是最合适的地方。
我完成了三个入门题目,分别是titanic, house price, digit recognizer。
官方有合适的入门解决方案,可以参考官方或者加入自己的解决方法,完成自己的结果提交,查看排名。
我的实现:https://github.com/yunshuipiao/sw-kaggle
上述过程也是我自己学习的过程,其中吴恩达:机器学习的视频也可利用空闲时间观看,上述资料我看过大部分,因此认为比较适合作为入门资料推荐。
其他资料博客:
-
reddit:learnmachinelearning
reddit机器学习板块,有很多初学者面临的问题及其解答,还有高质量的文章推荐。 -
cs229:machine learning 上述吴恩达机器学习课程的讲义, 相比视频,对原理和推导更加深入。
-
最后我的github:https://github.com/yunshuipiao
此部分内容会保持更新,阅读晚比较好的资料也会更新补充(强调:阅读完)
也欢迎各位同学推荐自己阅读完的资料。