這是一篇很難寫的文章，因為我希望這篇文章能對學習者有所啟發。我在空白頁前坐下，並且問自己了一個很難的問題：什麼樣的庫、課程、論文和書籍對於機器學習的初學者來說是最好的。

文章裡到底寫什麼、不寫什麼，這個問題真的讓我很煩惱。我必須把自己當做一個程式設計師和一個機器學習的初學者，站在這個角度去考慮最合適的資源。

我找出了每個型別中最適合的資源。如果你是一個真正的初學者，並且樂意於開始瞭解機器學習領域的相關知識，我希望，你可以在我的文章中找到有用的資料。我的建議是，從中挑出一件來，一本書或者是一個庫，反覆閱讀或者認真學習所有的相關教程。挑出一個並且堅持學習，直到你完全掌握，再重新選擇一個，重複這個學習過程。現在就讓我們開始吧！

Programming Libraries 程式設計庫資源

我是一個“學習要敢於冒險和嘗試”觀念的倡導者。這是我學習程式設計的方式，我相信很多人也是這樣學習程式設計的。先了解你的能力極限，然後去拓展你的能力。如果你瞭解如何程式設計，可以將程式設計經驗很快借鑑到深入學習機器學習上。在你實現一個實際的產品系統之前，你必須遵循一些規則、學習相關數學知識。

找到一個庫並且仔細閱讀相關文件，根據教程，開始嘗試實現一些東西。下面列出的是開源的機器學習庫中最好的幾種。我認為，並不是他們中的每一種都適合用在你的系統中，但是他們是你學習、探索和實驗的好材料。

你可以從一個由你熟悉的語言編寫的庫開始學習，然後再去學習其他功能強大的庫。如果你是一個優秀的程式設計師，你會知道怎樣從一種語言，簡單合理地遷移到另一種語言。語言的邏輯都是相同的，只是語法和API稍有不同。

• R Project for Statistical Computing：這是一個開發環境，採用一種近似於Lisp的指令碼語言。在這個庫中，所有你想要的與統計相關的功能都通過Ｒ語言提供，包括一些複雜的圖示。CRAN(你可以認為是機器學弟的第三方包)中的機器學習目錄下的程式碼，是由統計技術方法和其他相關領域中的領軍人物編寫的。如果你想做實驗，或是快速拓展知識，R語言都是必須學習的。但它可能不是你學習的第一站。
• WEKA：這是一個數據挖掘工作平臺，為使用者提供數一系列據挖掘全過程的API、命令列和圖形化使用者介面。你可以準備資料、視覺化、建立分類、進行迴歸分析、建立聚類模型，同時可以通過第三方外掛執行其他演算法。除了WEKA之外， 
  Mahout是Hadoop中為機器學習提供的一個很好的JAVA框架，你可以自行學習。如果你是機器學習和大資料學習的新手，那麼堅持學習WEKA，並且全心全意地學習一個庫。
• Scikit Learn:這是用Python編寫的，基於NumPy和SciPy的機器學習庫。如果你是一個Python或者Ruby語言程式設計師，這是適合你用的。這個庫很使用者介面友好，功能強大，並且配有詳細的文件說明。如果你想試試別的庫，你可以選擇Orange。

• Octave:如果你很熟悉MatLab，或者你是尋求改變的NumPy程式設計師，你可以考慮 Octave。這是一個數值計算環境，與MatLab像是，藉助Octave你可以很方便地解決線性和非線性問題，比如機器學習演算法底層涉及的問題。如果你有工程背景，那麼你可以由此入手。

• BigML:可能你並不想進行程式設計工作。你完全可以不通過程式碼，來使用 WEKA那樣的工具。你通過使用BigMLS的服務來進行更加深入的工作。BigML通過Web頁面，提供了機器學習的介面，因此你可以通過瀏覽器來建立模型。

挑選出一個平臺，並且在你實際學習機器學習的時候使用它。不要紙上談兵，要去實踐！

Video Courses視訊課程

很多人都是通過視訊資源開始接觸機器學習的。我在YouTube和VideoLectures上看了很多於機器學習相關的視訊資源。這樣做的問題是，你可能只是觀看視訊而並不實際去做。我的建議是，你在觀看視訊的時候，應該多記筆記，及時後來你會拋棄你的筆記。同時，我建議你將學到的東西付諸實踐。

坦白講，我沒有看見特別合適初學者的視訊資源。視訊資源都需要你掌握一定的線性代數、概率論等知識。Andrew Ng在斯坦福的講解可能是最適合初學者的，下面是我推薦的一些視訊資源。

• Stanford Machine Learning斯坦福的機器學習課程：可以在Coursera上觀看，這門課是由 Andrew Ng講解的。只要註冊，你可以隨時觀看所有的課程視訊，從Stanford CS229 course下載講義和筆記。這門課包括了家庭作業和小測試，課程主要講解了線性代數的知識，使用Octave庫。

• Caltech Learning from Data加利福尼亞理工學院的資料分析課程：你可以在edX上學習這門課程，課程是由Yaser Abu-Mostafa講解的。所有的課程視訊和資料都在加利福尼亞理工學院的網站上。與斯坦福的課程類似，你可以根據自己的情況安排學習進度，完成家庭作業和小論文。它與斯坦福的課程主題相似，關注更多的細節和數學知識。對於初學者來說，家庭作業可能稍有難度。

• Machine Learning Category on VideoLectures.Net網站中的機器學習目錄：這是個很容易令人眼花繚亂的資源庫。你可以找出比較感興趣的資源，並且深入學習。不要糾結於不適合你的視訊，或者對於感興趣的內容你可以做筆記。我自己會一直重複深入學習一些問題，同時發現新的話題進行學習。此外，在這個網站上你可以發現是這個領域的大師是什麼樣的。

• “Getting In Shape For The Sport Of Data Science” – 由Jeremy Howard講授：這是與機器學習競賽者的對話，他們是一些實踐中的R語言使用者。這是非常珍貴的資源，因為很少有人會討論研究一個問題的完整過程和究竟怎樣做。我曾經幻想過在網上找到一個TV秀，記錄機器學習競賽的全過程。這就是我開始學習機器學習的經歷！

Overview Papers綜述論文

如果你並不習慣閱讀科研論文，你會發現論文的語言非常晦澀難懂。一篇論文就像是一本教科書的片段，但是論文會介紹一個實驗或者是領域中其他的前沿知識。然而，如果你準備從閱讀論文開始學習機器學習的話，你還是可以找到一些很有意思的文章的。

• The Discipline of Machine Learning機器學習中的規則：這是由Tom Mitchell編著的白皮書，其中定義了機器學習的規則。Mitchell在說服CMU總裁為一個百年內都存在的問題建立一個獨立的機器學習部門時，也用到了這本書中的觀點。

我只是列出了兩篇重要的論文，因為閱讀論文會讓你陷入困境。

Beginner Machine Learning Books給機器學習初學者的書

關於機器學習的書有很多，但是幾乎沒有為初學者量身定做的。什麼樣的人才是初學者呢？最有可能的情況是，你從另外一個完全不同的領域比如：電腦科學、程式設計或者是統計學，來到機器學習領域。那麼，大部分的書籍要求你有一定的線性代數和概率論的基礎。

但是，還有一些書通過講解最少的演算法來鼓勵程式設計師學習機器學習，書中會介紹一些可以使用工具、程式設計函式庫來讓程式設計師嘗試。其中最有代表性的書是：《Programming Collective Intelligence》，《Machine Learning for Hackers》，《Hackersand Data Mining: Practical Machine Learning Tools and Techniques》（Python版, R版, 以及Java版）。如果感到迷惑的話，你可以選擇其中一本開始學習。

• Machine Learning for Hackers  （中文版：機器學習:實用案例解析 ）：我建議你在閱讀了《Programming Collective Intelligence》一書之後，再閱讀這本書。這本書中也提供了很多實踐練習，但是涉及更多的資料分析，並且使用R語言。我個人很喜歡這本書！

• Machine Learning: An Algorithmic Perspective：這本書是《Programming Collective Intelligence》的高階版本。它們目的相同（讓程式設計師開始瞭解機器學習），但是這本書包括一些數學知識，參考樣例和phython程式片段。如果你有興趣的話，我建議你在看完《Programming Collective Intelligence》之後來閱讀這本書。

• 資料探勘：實用機器學習工具與技術（英文版·第3版） ：我自己是從這本書開始瞭解機器學習的，那時是2000年這本書還是第一版。我那時是Java程式設計師，這本書和WEKA庫為我的學習和實踐提供了一個很好的環境。我通過這樣的平臺和一些外掛，實現我的演算法，並且真正開始實踐機器學習和資料探勘的過程。我強烈推薦這本書，和這樣的學習過程。

• Machine Learning（中文版：電腦科學叢書:機器學習 ）：這是一本很老的書，包括了一些規則和很多參考資料。這是一本教科書，為每個演算法提供了相關講解。

有一些人認為那些經典的機器學習教科書很了不起。 我也贊同，那些書的確非常好。但是，我認為，對於初學者來說，這些書可能並不合適。

Further Reading 繼續閱讀

在寫這篇文章時，我認真思考了相關問題，同時也參考了其他人推薦的資料，以確保我沒有遺漏任何重要參考資料。為了確保文章的完整性，下面也列出了一些網上流行的，可以供初學者使用的材料。.

• Overwhelmed by Machine Learning: is there an ML101 book：這是StackOverflow上的問題。並且提供了一系列機器學習推薦書籍。Jeff Moser提供的第一個答案是很有用的，其中有課程視訊和講座的連結。

你是不是以及讀過或者用過上面的一些資源了呢？你怎麼看這個問題？

我是不是如願為那些對機器學習有興趣的初學者提供了重要、有用的資源呢？請留下你的建議，讓我們分享！