# 机器学习实战数据集

**Repository Path**: WeipingFan/dataSet

## Basic Information

- **Project Name**: 机器学习实战数据集
- **Description**: 机器学习实战数据集，fork自https://github.com/xiaoming3526/ai-ming3526/network/members
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 0
- **Created**: 2020-03-22
- **Last Updated**: 2022-06-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 一、机器学习 ---xiaoming

## 《机器学习实战》书籍、源码解析、数据集下载

[机器学习实战书籍](https://github.com/xiaoming3526/ai-ming3526/tree/master/books)

[源码详细解刨](https://github.com/xiaoming3526/ai-ming3526/tree/master/blog)

[源码和数据集下载](https://github.com/xiaoming3526/ai-ming3526/tree/master/data/sourceData)

## 机器学习建议

> 搜索微信公众号：'AI-ming3526'或者'计算机视觉这件小事' 获取更多计算机视觉机器学习干货
>
> csdn：https://blog.csdn.net/baidu_31657889/

学习机器学习需要一定的数学基础，但是仅仅是一点数学基础，不要被这些吓坏了，各位都是大佬，拿起键盘就是干。

我就根据自己的一点点经验来分析一下应该怎么学----

首先需要的是两个放弃：

## 1. 放弃海量资料！

没错，就是放弃海量资料！在我们想要入门机器学习的时候，往往会搜集很多资料，什么 xx学院机器学习内部资源、机器学习从入门到进阶百 G 资源、xx 人工智能教程，等等。很多时候我们拿着十几 G、几百 G 的学习资源，然后踏踏实实地放到了某云盘里存着，等着日后慢慢学习。殊不知，有 90% 的人仅仅只是搜集资料、保存资料而已，放在云盘里一年半载也忘了打开学习。躺在云盘的资料很多时候只是大多数人“以后好好学习”的自我安慰和“自我”安全感而已。而且，面对海量的学习资料，很容易陷入到一种迷茫的状态，最直接的感觉就是：天啊，有这么多东西要学！天啊，还有这么多东西没学！简单来说，就是选择越多，越容易让人陷入无从选择的困境。

所以，第一步就是要放弃海量资料！而是选择一份真正适合自己的资料，好好研读下去！

## 2. 放弃从零起步！

说到入门，很多人会想着那就要从最基础的知识开始学起！机器学习是一门融合概率论、线性代数、凸优化、计算机、神经科学等多方面的复杂技术。学好机器学习需要的理论知识很多，有些人可能基础不是特别扎实，就想着从最底层的知识开始学起，概率论、线性代数、机器学习凸优化公式推导，等等。但是这样做的坏处是比较耗时间，而且容易造成“懈怠学习”，打消学习的积极性。因为啃书本和推导公式相对来说是比较枯燥的，远不如自己搭建一个简单的回归模型更能激发自己的学习积极性。当然，不是说不需要钻研基础知识，基础理论知识非常重要！只是说，在入门的时候，最好先从顶层框架上有个系统的认识，然后再从实践到理论，有的放矢的查缺补漏机器学习知识点。从宏观到微观，从整体到细节，更有利于机器学习快速入门！而且从学习的积极性来说，也起到了“正反馈”的作用。

## 3、机器学习入门学习路线

好了，谈完了机器学习入门之前的两个“放弃”之后，我们就在介绍一下入门路线。

### 3.1 数学基础

个人认为首先需要的数学基础：概率论、矩阵论以及微积分。没有也不要紧，边看边学，看到不会的查一下就行了。

> 【免费】数学教学视频 - 可汗学院 入门篇

| 概率                                                         | 统计                                                         | 线性代数                                                     |
| ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ |
| [可汗学院(概率)](http://open.163.com/special/Khan/probability.html) | [可汗学院(统计学)](http://open.163.com/special/Khan/khstatistics.html) | [可汗学院(线性代数)](http://open.163.com/special/Khan/linearalgebra.html) |

### 3.2、然后就是机器学习基础了 

##### 吴恩达老师的视频毫无疑问是经典 

> 【免费】机器/深度学习视频 - 吴恩达

| 机器学习                                                     | 深度学习                                                     |
| ------------------------------------------------------------ | ------------------------------------------------------------ |
| [吴恩达机器学习](http://study.163.com/course/courseMain.htm?courseId=1004570029) | [神经网络和深度学习](http://mooc.study.163.com/course/2001281002?tid=2001392029) |

然后推荐一个比较偏向基础的 国内一群大佬录得机器学习视频 比吴恩达老师的稍微好懂点

> 机器学习实战-ApacheCN 中文开源组织 
>
> 大致内容就是带着学习了《机器学习实战》这本书来做的

[机器学习实战书籍](https://github.com/xiaoming3526/ai-ming3526/tree/master/books)

[机器学习实战视频](cwiki.apachecn.org/pages/viewpage.action?pageId=8749100)

### 3.3、进阶

基本上完成上述课程就算是入门了。接下来可以根据自己的兴趣和方向，有的放矢。例如主攻 CV 方向，可以继续学习斯坦福 CS231n 课程：

[CS231n: Convolutional Neural Networks for Visual Recognition](http://cs231n.stanford.edu/)

如果主攻 NLP 方向可以学习斯坦福 CS224n 课程：

[CS224n: Natural Language Processing with Deep Learning](http://web.stanford.edu/class/cs224n/)

当然，台大李宏毅的课程也很不错：

[Hung-yi Lee](http://speech.ee.ntu.edu.tw/~tlkagk/courses.html)

当然这些国内都会有对应大佬有视频的翻译(b站) 感兴趣的自己找找	

# 二、深度学习 kaijie-guo

nlp学习



## 项目负责人

> ML

[@xiaoming3526](https://github.com/xiaoming3526)

> DL

[@guokaijie]()

## 免责声明 - 【只供学习参考】

- 本项目纯粹出于学习目的