本菜鸟入门机器学习也有一段时间了，有那么一丢丢的感悟，在这里做一点总结。介绍一下机器学习理论和实践的学习心得。

相关教材

数学基础

高数、线性代数这就没啥好说的，就是大学工科的必修科目。

统计机器学习

李航的蓝皮书和周志华的西瓜书可以说是国内的比较经典的教材，这两位也是国内人工智能领域的领军人物。

深度学习

强烈推荐花书，这可以说是深度学习方面的权威教材。除此以外还有吴恩达的讲义和教学视频，网上都可以找到。

小白入门教材

前面推荐的书籍，虽然算得上入门教材，但可能对于小白来说，不是很容易接受。这里推荐深度学习入门：基于Python的理论与实现和机器学习实战这两本书，讲的通俗易懂，容易上手。

进阶教材

PRML和MLAPP这两本书属于神书级别的，谁看谁知道。

补充资料

直接在github上搜索机器学习或深度学习关键词，就可以找到很多高星项目，我就不一一列举了。

实践部分

1. 编程语言推荐python，简单容易上手。现在官方文档还推出了中文：https://docs.python.org/zh-cn/3/
2. 机器学习方面，python中有三个很重要的包：numpy、pandas、matplot。具体的使用方法请查阅相应的官方文档：https://www.numpy.org/devdocs/
   https://pandas.pydata.org/pandas-docs/stable/ https://matplotlib.org/index.html
   这三个包暂时没有官方中文，但是有一些民间的汉化版本，大家可以自行百度。
3. sklearn，这个包集成几乎所有统计机器学习的API，是一个很重要的工具包。官方网站：http://scikit-learn.github.io/stable
4. pytorch，一个深度学习的框架，当然现在深度学习的框架很多，例如：tensorflow、keras等。但是pytorch是比较容易上手的。官方地址：https://pytorch.org/
5. 还有一些包是根据具体的任务来使用的，例如做nlp常需要用到nltk、jieba等包，这种情况我就不细讲了。

论文

教材上的东西都比较滞后，学术前沿还是在论文上，机器学习这一块更新换代的特别快，大家还是得多读一读最新的论文，才能了解到最新的算法和模型。

感悟

做机器学习，很多时候就是在调包和调参，虽然我们这样吐槽，但实际上很多人连调包都不会。使用这些包，需要我们花费大量的时间来阅读文档、熟悉API参数，这样才能写出比较好的程序。除此以外，我们还需要多阅读论文，从而进行一点模型上的创新。

原文地址：https://www.cnblogs.com/mlgjb/p/11360079.html