麻省中的 http://open.163.com/movie/2010/11/P/P/M6V0BQC4M_M6V29EGPP.html 视屏中的26分23秒左右时的矩阵是怎么计算得到的,感觉有一个很方便的法子,但没有看明白。

@tinytool,我记得你看过了,可否说下。

最近刚刚看完了 coursera andrew Ng 上面的machine learning 课程,正在进一步学习,也说下自己的体会,或者说和业内人士交流获得的体会:

andrew 的课程还是非常简单的,容易上手,但是很多东西都没有深入。不过他的课后编程作业非常好,提交之后还有验证环节。学习的时候不仅要写那几个让你写的文件和函数,也要看整个octave 实现的flow,非常有帮助。

深入学习的理论课程上面tiny 提到了很多了,都非常好。 不习惯英文的可以看 周志华的西瓜书,《机器学习》一书,很不错。

最好是和实践结合,如果是以业界工作应用为目的的,需要了解大数据,比如hadoop spark 等,然后亲自在aws 或者阿里云之类上面进行部署实践。

要有一个实际的应用场景,用machine learning 来做点东西,在做的过程中,你才能够更加深入了解那些理论的知识。

如果找不到合适的应用的话,那么用kaggle 上面的竞赛进行练习也是很好的。

cs231

好深奥 不知道什么时候才能看得懂

坚持看了两个月,现在停了。工作实在是太忙了...

羡慕tinyfool

5楼 @cuijin007 忙不忙,核心在于坚持

6楼 @tinyfool 嗯。忙过这两周五继续看。

很感兴趣,机器学习似乎是解决"不能描述准确性质"或者"解决问题空间庞大复杂"的问题?嘛,还没有入门,这是我目前的直观印象。

刚入门。自己找了点数据集做的股票分类。目前感觉是:

• 将经典的几个方法,找个自己感兴趣的数据集,按照参考书上的方法自己写出来,跑一遍,看看效果,调调参数,会有深刻印象;

• 参考书很多,上面的数学公式粗看头皮发麻,细看其实并没那么复杂。如果是有线性代数基础的,看的时候不要太纠结证明过程(个人观点哈,据老师说的,比如神经网络有些方法暂时只知道效果,无法完美证明)。没有基础的,可以先不要想太多,实践一下代码,慢慢你会明白的;

• 要了解这个领域知识,看的书可能需要多一些,尤其是自己问题目标领域的。比如关于金融的Deep learning方法。我是从Neural Network开始看的,一知半解的继续了Genetic algorithm, machine learning的一些知识。

mark一下,还没看过,正在积极学习。