機器學習相關內容
機器學習的子類是深度學習，父類是人工智能。
機器學習是大數據分析方法的一個分支。隸屬於大數據，大分析
機器學習的算法有很多，監督學習，無監督學習，以及推薦算法這一個特殊算法三類
目前是根據一篇博客來整體了解了一下，接下來的熟悉還是老辦法，與同行交流和讀書結合，如果能在工作中用到，真的是幸運。
1.我轉載了一個朋友的書單，我還沒開始看。前段時間從算法入手，補充了一部分相關知識。
他的書單放在下面
（我對普通程序員的定義是：擁有大學本科知識；平時工作較忙；自己能獲取的數據有限。因此，本文更像是一篇 “from the scratch” 的AI入門教程。）
雲盤地址;https://pan.baidu.com/s/1bndMSer
2.學習目標，學習方針與學習計劃。學習目標比較清楚，就是踏入AI領域這個門。這個目標不大，因此實現起來也較為容易。“過大的目標時就是為了你日後放棄它時找到了足夠的理由”。學習方針可以總結為 “興趣為先，踐學結合”。簡單說就是先培養興趣，然後學習中把實踐穿插進來，螺旋式提高。這種方式學習效果好，而且不容易讓人放棄。有了學習方針以後，就可以制定學習計劃，也稱為學習路線。
3.實踐做項目
學習完了基礎課程，你對機器學習就有了初步了解。現在使用它們是沒有問題的，你可以把機器學習算法當作黑盒子，放進去數據，就會有結果。在實戰中你更需要去關心如何獲取數據，以及怎麽調參等。如果有時間，自己動手做一個簡單的實踐項目是最好的。這裏需要選擇一個應用方向，是圖像（計算機視覺），音頻（語音識別），還是文本（自然語言處理）。這裏推薦選擇圖像領域，這裏面的開源項目較多，入門也較簡單，可以使用OpenCV做開發，裏面已經實現好了神經網絡，SVM等機器學習算法。項目做好後，可以開源到到 Github 上面，然後不斷完善它。實戰項目做完後，你可以繼續進一步深入學習，這時候有兩個選擇，深度學習和繼續機器學習；
深度學習：深度學習是目前最火熱的研究方向。有以下特點：知識更新快，較為零碎，沒有系統講解的書。因此學習的資源也相對零散，下面是一些資源介紹。其中不推薦的部分並不代表不好，而是在這個初學階段不合適：
推薦，UFLDL： 非常好的DL基礎教程，也是Andrew Ng寫的。有很詳盡的推導，有翻譯，且翻譯質量很高；
推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學習界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強烈推薦。如果只能讀一篇論文了解深度學習，我推薦此篇。這篇論文有同名的中文翻譯；
推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達深刻的道理，雖然沒有翻譯，但是閱讀並不困難；
不推薦，Neural Networks for Machine Learning - University of Toronto | Coursera：深度學習創始人教的課，最大的問題是太難，而且老先生的吐字有時不是很標準；
不推薦，Deep Learning (book)：同樣也是由深度學習大牛所寫的書，但感覺就像是第二作者，也就是他的學生所寫的。很多內容都講了，但是感覺也沒講出什麽內容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。
不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個最大的問題，就是沒有字幕，雖然有youtube的自動翻譯字幕，但有還不如沒有。
先這樣，flag在這裏就好
機器學習相關內容