机器学习入门教材有许多，入门方式多种多样，我是半路出家，简单总结一下我的机器学习之路。2011年考入北邮计算机研究生学院，主要是NLP方向。之前没有接触过机器学习，本科也不是计算机专业，而是工商管理。
2011年研究生阶段，两节课对我影响很大：
第一节课是计算语言学，最开始了解和接触机器学习，是在上这节课的时候，老师推荐的教材《统计自然语言处理基础》。在老师的课上，有讲到HMM（隐马尔科夫模型），可以用来做序列标注，在NLP（自然语言处理）中可以做分词，语音识别等各种任务。课上的大作业就是实现一个HMM模型，现在还记忆犹新。
另一节课是高级机器学习，推荐教材是 Tom M. Mitchell的《Machine Learning》。课上每个同学都要自己讲一下，对于某一个机器学习算法的认识，每个人一节课的时间。在这个课上，认识了最大熵（Max Entropy),支持向量机（SVM）。因为需要自己讲一节课，所以对自己讲的模型从整体概念上有了大概的了解，现在想起来映像最深的就是SVM。
在这个期间，看了stanford 的机器学习公开课，还有就是
52nlp 的博客，都是非常好的公开资源（coursera上面有很多其他资源）。
后来慢慢的接触到了更多的自然处理的任务，文本分类、聚类，分词，词性标注，命名实体识别，句法分析，语义角色标记，关系抽取，蕴含推理，文本摘要，自然语言生成，问答系统，情感分析（意见挖掘）等，也自然接触到了更多的机器学习算法，这些问题有一些比较好的工具或者解决的方案，会在另一个专题，NLP专题里面分析。
2012年期间， 师兄师姐们推荐了两本好书：
一本是李航 的 《统计学习基础》，比Mitchell的书更加偏应用；另一本是
pattern Recognition and machine learning，这本书被爱称为神书，比Mitchell的书更加深入。这个时候，我已经是研二，发现被机器学习涉及的庞杂内容越来越感兴趣，自己深入其中，不可自拔。那个时候，对概率统计，最优化方法，以及矩阵等数学理论不是很了解，纯粹是对这个学科的兴趣，坚定了我继续深造的想法，以上就是我入坑的原因。
断断续续看了一些书之后，又找到了一个叫做 机器学习10大经典算法 的文集：（在我微盘里面，点此打开）
里面讲了很多实用的算法，参数估计-EM，模型组合-Adaboost，分类-knn,svm,naivebayes等十个经常用的机器学习算法。看完之后，更加发现了机器学习体系的庞大，以后会慢慢说这些基础算法LDA,CRF之类的，以及介绍各种工具包。
2013年
经过一段时间的阅读，深刻的了解到一句话：书读得越多，越觉得自己无知。一年前发现了水木上的机器学习书单，非常不错，涉及到机器学习的方方面面，但是没有全部读过，个人感觉不可能全部读完。（我的微盘分享）
后来修了一门课，最优化理论，知道了一些最优化的方法：梯度下降，牛顿，共轭梯度，拟牛顿等等。刚觉得对机器学习有点感觉了，Deep Learning非常火了，之前是实验室有师兄一直在做基于GPU的DeepLearning的模型。图像，语音然后是NLP等各领域都被DeepLearning洗牌，NLP里面的词表示已经很火了，于是跟风看了一下DeepLearning。有专门讲DeepLearning的网站，点我。
2014年
谷歌收购了一家名为DeepMind的人工智能初创公司，该公司发了一篇论文，是CNN+增强学习（Reinforce Learning）让机器玩游戏，然后就被收购了。可以认为，增强学习 可能才是让机器自己“学习“的算法框架。不知道你信不信，反正我是信了，因为我导师，已经安排了不少的学生在增强学习方向，听了他们的报告，感觉是挺有意思的。也在ACL上看到有关增强学习的论文，虽然少，但是可能会是一个趋势吧。
一直以来，都没有写博客或者总结，现在是需要好好总结一下以前的学习历程。一次一个算法，慢慢来，我会尽量结合一些已有工具，针对我接触过的任务，做一下分析和总结。
机器学习之路