update ml

机器学习/pre.md

@@ -16,10 +16,7 @@
 
 机器学习 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。
 
-从大量数据中找到规律和知识，然后用规律和知识做决策。
+从大量数据中找到规律和知识，然后用规律和知识做预测和决策。
-机器学习偏向数学问题推导，数据挖掘就是抽特征
-不要沉迷于数学公式推导，理解如何运用数据
-
 
 
 ### 监督学习
@@ -55,21 +52,8 @@ Scikit-Learn python
 
 
 
-
+机器学习偏向数学问题推导，数据挖掘就是抽特征
-
+不要沉迷于数学公式推导，理解如何运用数据
-
-分类器
-
-*	Naive Bayes
-*	Linear Discriminant Analysis
-*	Logistic Regression
-*	Linear SVM
-*	Kernel SVM
-*	Adaboost
-*	Decision
-*	Neural network
-
-
 动手实现一些简单的算法，如感知机，k近邻，线性回归
 找一个实际案例，从他的算法选择，特征参数选取调整，以及数据管道的建立等系统的学习一下
 
@@ -88,6 +72,22 @@ PAC学习理论（PAC Learning）
 
 
 
+
+
+分类器
+
+*	Naive Bayes
+*	Linear Discriminant Analysis
+*	Logistic Regression
+*	Linear SVM
+*	Kernel SVM
+*	Adaboost
+*	Decision
+*	Neural network
+
+
+
+
 分类
 聚类
 模式识别
@@ -99,24 +99,33 @@ SVM
 学好python
 
 
-[Machine learning](https://www.coursera.org/learn/machine-learning/) Andrew Ng 在 coursera公开课
-
-[julyedu 课程大纲](http://julyedu.com/course/getDetail?course_id=34#discard)
-
-《机器学习基石》 https://www.coursera.org/course/ntumlone   
-
-《机器学习：实用案例解析》 本书比较全面系统地介绍了机器学习的方法和技术。全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。
 
 
-《Machine Learning》 Tom Mitchell 
 
-
+### 数据挖掘
-## 数据挖掘
 
 在知乎的描述中。`数据挖掘`是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。
 
 
 
+## 入门参考
 
 
+[Machine learning](https://www.coursera.org/learn/machine-learning/) Andrew Ng 在 coursera公开课。最好能完成所有作业。课程讲义http://cs229.stanford.edu/materials.html
+
+网易的andrew ng公开课， 这个也不错，年代久远一些。
+
+[julyedu 课程大纲](http://julyedu.com/course/getDetail?course_id=34#discard)
+
+《机器学习基石》 https://www.coursera.org/course/ntumlone   
+
+《机器学习技法》 公开课
+
+《机器学习实战》
+
+《机器学习：实用案例解析》 本书比较全面系统地介绍了机器学习的方法和技术。全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。
+
+
+《Machine Learning》 Tom Mitchell 
+Simon Haykin的《神经网络与机器学习》