机器学习 深度学习资料 资源machine learning

Kaggle入门，看这一篇就够了 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/25686876

day1-1.什么是机器学习_哔哩哔哩_bilibiliday1-1.什么是机器学习是10天学会机器学习从入门到深度学习的第1集视频，该合集共计62集，视频收藏或关注UP主，及时了解更多相关视频内容。https://www.bilibili.com/video/BV1jK4y1D7hE?p=1&vd_source=4c09c8fedda95af38171a9b35f56e95a

1 机器学习概念

机器学习的样本数据有两类 

数据集

 

特征工程

sk-learn：回归 分类 聚类 特征工程

特征抽取

非数值数据转换成数值数据

字典抽取特征数据

one-hot编码

数值数据

归一化 标准化，进行无量纲化

不同的自变量 数据分布在不同量级，需要无量纲化

特征选择

数据集合划分

入门机器学习是一个逐步的过程，涉及学习基础概念、数学基础、编程技能、理解算法和模型，以及实践和项目经验的积累。下面是一个为初学者设计的详细指南：

1. 理解机器学习的基本概念

• 什么是机器学习：首先，了解机器学习是如何使计算机利用数据来学习和做出预测或决策，而不是通过明确的编程来完成任务。
• 机器学习类型：了解不同的机器学习类型，包括监督学习、无监督学习、半监督学习和增强学习。
• 基本术语：熟悉机器学习中的基本术语，如特征、模型、训练、测试、过拟合、欠拟合等。

2. 学习必要的数学基础

机器学习背后有三个主要的数学分支：线性代数、概率论与统计、以及微积分。不需要深入研究，但理解基本概念是很有帮助的。

• 线性代数：矩阵运算、向量空间和特征向量等。
• 概率论与统计：概率分布、期望、方差、最大似然估计等。
• 微积分：了解导数和梯度的基本概念。

3. 掌握编程技能

• Python：Python是进行机器学习项目最常用的编程语言。学习Python基础，重点是数据处理（使用Pandas）、数值计算（使用NumPy）和数据可视化（使用Matplotlib和Seaborn）。
• 机器学习库：学习使用主要的机器学习库，如Scikit-learn（用于传统算法），TensorFlow和PyTorch（用于深度学习）。

4. 学习机器学习算法

• 开始于简单的算法：从简单的算法开始，如线性回归、逻辑回归、k-近邻算法。
• 逐步学习复杂算法：然后逐步过渡到更复杂的算法，如决策树、随机森林、支持向量机、神经网络等。

5. 实践与项目

• 小项目实践：尝试使用公开的数据集来实践你学到的算法。Kaggle是一个很好的起点，提供了大量的数据集和竞赛。
• 构建自己的项目：尝试解决一个实际问题，从数据收集、清洗到模型选择、训练和评估。

6. 深入学习

• 专业书籍：阅读一些经典的机器学习和深度学习书籍，如《Python数据科学手册》、《深度学习》（Goodfellow et al.）。
• 在线课程：参加在线课程和MOOCs，如Coursera的《机器学习》（吴恩达教授）和《深度学习专项课程》。

7. 加入社区

• 参与论坛和社区：加入GitHub、Stack Overflow、Reddit上的机器学习社区，参与讨论和分享。
• 参加Meetup和研讨会：如果可能的话，参加本地或在线的Meetup和研讨会