知乎热议：如何学习机器学习

👇 连享会 · 推文导航 | www.lianxh.cn

• 🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令
• 📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享
• 💹 计量：回归分析 | 交乘项-调节  | IV-GMM | 时间序列 | 面板数据  | 空间计量 | Probit-Logit | 分位数回归
• ⛳ 专题：SFA-DEA | 生存分析  | 爬虫 | 机器学习 | 文本分析
• 🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching
• 🔨 工具：工具软件 | Markdown | Python-R-Stata
• 🎧 课程：公开课-直播 |  计量专题 | 关于连享会

连享会 · 2022暑期班

作者：仵荣鑫 (厦门大学)
邮箱：[e-mail]

温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

 

编者按：机器学习作为人工智能的重要分支，受到人们的广泛关注。机器学习是一门多领域交叉学科，掌握机器学习技术是一项重要且充满挑战的任务。为此，编者梳理了知乎答主们对机器学习的建议。

---

目录

• 1. 技能准备

• 2. 入门学习

• 3. 进阶提升

• 4. 深度学习

• 5. 学习建议

• 6. 相关推文

---

1. 技能准备

刚开始接触机器学习，需要做一些必要的技能储备，过三关：英语、编程与数学。首先，英语需要具备阅读与听力能力。当前主流的书籍、期刊等资料大多是英文为主，我们无法避免地要看很多英文资料。

其次，关于编程语言，首推 Python，因为其良好的拓展支持性，主流的工具包都有 Python 版本。在特定情况下，选择 R 作为编程语言也是可以的。编程语言学习推荐：

• Programming for Everybody: Python
• Learn R with R tutorials and coding challenges: R

最后，数学包括微积分、线性代数与统计学，可通过教育性非营利组织「可汗学院」学习。数学建议先搞定线性代数，推荐以下课程：

• 斯特朗教授的课程由浅入深，环环相扣：完整版-麻省理工-线性代数-全34讲+配套教材
• 配合斯特朗教授的其他课程学习，效果事半功倍：MIT《数据分析、信号处理和机器学习中的矩阵方法》课程

统计学习是机器学习的基石，推荐以下课程：

• Stanford : Statistical Learning 斯坦福大学：统计学习

2. 入门学习

刚迈入机器学习的大门，需要有适合的学习途径：视频、书籍与动手。机器学习视频入门首选：

• Machine Learning by Andrew Ng

吴恩达老师的这门课可以加快学习进度，但不要跳过练习题，练习题非常有价值，虽然并非用 Python 写的 (而是 Matlab/Octave)。如果你不想学 Matlab，那么最好找点别的用 Python 习题练练手。当然，以下课程也非常不错：

• 李宏毅 2021/2022春-机器学习课程

在学习视频时，推荐阅读两本非常好的入门书籍：

• Python 机器学习 (作者 Sebastian Raschka)：阅读本书可以快速对如何使用 Python 机器学习框架 Sklearn 有一个基本的了解，可以很快上手开始工作；
• An Introduction to Statistical Learning with R (ISL)：ISL 是 The Element of Statistical Learning (ESL) 的入门版，不仅大量去除了繁复的数学推导，还加入了 R 编程的部分，方便大家可以尽快上手。

入门书籍推荐还强推：

• 周志华老师的《机器学习》：人称西瓜书，是经典入门教材之一，是一本大而全的书！内容中有用到西瓜举例子。建议和《南瓜书》一起看；
• 李航老师的《统计学习方法》：这本书对机器学习原理的解释、公式的推导非常详尽，相信看完这本书，不会再说机器学习是玄学了。建议配合「白板推导系列」学习。

学习理论后，做一些基于 Python 的动手练习：

• Python 教程-廖雪峰的官方网站：教程质量很好，没有必要全看完，大概了解 Python 的基础语法即可，这步是为下面的练习做准备；
• 《机器学习实战》(作者 Peter Harrington)：这本书基于 Python 对一些主要的机器学习算法进行了代码实现。一定要照着敲一遍。

3. 进阶提升

实战热身：

• 《利用 Python 进行数据分析》(作者 Wes McKinney)：numpy 与 pandas 是 Python 进行处理数据的两个关键库，这本书讲解了这两个库的使用方法；
• scikit-learn: machine learning in Python 是 Python 上最流行的机器学习/数据科学工具包。比较推荐的方法是把主流机器学习模型 Sklearn 中的例子都看一遍。Sklearn 的文档不仅提供了练习数据、sklearn 的相关代码实例，还提供了可视化图；
• 机器学习实战：基于 Scikit-Learn 和 TensorFlow：为数不多的把理论和实践相结合的比较棒的书，尤其是代码部分！

实战平台：

• kaggle：Your Home for Data Science；
• 推荐一篇不错的文章：Kaggle 入门，看这一篇就够了；
• 如果是新手，建议把 Titanic 项目玩一次：Titanic-Machine Learning from Disaster；
• 阿里云天池：天池大数据众智平台-数据科学家社区。

4. 深度学习

深度学习推荐以下视频课程：

• 李宏毅：深度学习 (2017)
• 吴恩达：深度学习课程，网易云课堂上线了这门课的中文版。

深度学习的几个大应用，自然语言处理、自然语言理解、深度视觉算法：

• 自然语言处理：2019 最新斯坦福大学 CS224n 深度学习自然语言处理课程
• 斯坦福大学 CS224U：自然语言理解 2019 最新课程
• 斯坦福 CS231n 《深度视觉识别》课程 (2017)
• 中科院宗成庆：自然语言处理公开课 (64 集)

深度学习的书籍推荐两本，一本理论性强的，一本实践性强的：

• Deep Learning：由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位大牛合著的非常权威的一本书，也是后来出版的深度学习书籍的参考；
• 《动手学深度学习》：深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。

更多深度学习的干货：

• 机器学习 (Machine Learning) 与深度学习 (Deep Learning) 资料汇总

5. 学习建议

自学机器学习的误区和陷阱：

• 不要试图掌握所有的相关数学知识再开始学习机器；
• 不要把深度学习作为入门第一课；
• 不要收集过多的资料，要分辨资料的时效性。

将技能落在实处，防止练就一身屠龙之技。机器学习最大的幻觉就是觉得自己什么都懂了，但等到真的使用时发现并不奏效。如果此刻燃起了学习机器学习的热情，就请赶快行动！

6. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh 机器学习, m
安装最新版 lianxh 命令：
  ssc install lianxh, replace

• 专题：论文写作
• Semantic scholar：一款基于机器学习的学术搜索引擎
• 专题：Stata教程
• Stata-Python交互-7：在Stata中实现机器学习-支持向量机
• 专题：Python-R-Matlab
• MLRtime：如何在 Stata 调用 R 的机器学习包？
• 专题：其它
• 知乎热议：机器学习在经济学的应用前景
• 专题：机器学习
• 机器学习在经济学领域的应用前景
• 机器学习如何用？金融+能源经济学文献综述
• 知乎热议：纠结-计量经济、时间序列和机器学习
• 机器学习：随机森林算法的Stata实现
• Stata：机器学习分类器大全

课程推荐：因果推断实用计量方法
主讲老师：丘嘉平教授
🍓 课程主页：https://gitee.com/lianxh/YGqjp

 

New！ Stata 搜索神器：lianxh 和 songbl  GIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
  . ssc install lianxh
  . ssc install songbl
👉  使用：
  . lianxh DID 倍分法
  . songbl all

🍏 关于我们

• 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
• 直通车： 👉【百度一下： 连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。