您不必在开始机器学习之前学习线性代数，但有时您可能希望深入研究。事实上，如果说有一门数学领域是我建议您优先改进的，那就是线性代数。它将为您提供帮助您 [...] 的工具。
作者归档 | Jason Brownlee
使用统计和因果方法的机器学习
2014 年 11 月，Bernhard Scholkopf 因其在机器学习方面的贡献被英国皇家学会授予米尔纳奖。在接受该奖项时，他发表了一场关于他机器学习统计和因果方法的工作的通俗演讲，题为“机器学习的统计和因果方法”。这是一场优秀的为期一小时的演讲，我强烈建议您观看 [...]。
如何像数据科学家一样解决问题
在 2010 年的一篇博文中，Hilary Mason 和 Chris Wiggins 将 OSEMN 流程描述为数据科学家应该熟悉的数据科学任务分类法。该博文的标题是“数据科学分类法”，发布在现已停用的 dataists 博客上。此流程也用作 [...] 的结构。
如何开始机器学习：自学蓝图
如何开始机器学习，特别是深度学习？这个问题最近在机器学习 subreddit 上被问及。具体来说，提问者完成了 Coursera 机器学习课程，但觉得自己的背景不足以开始学习深度学习。我写了一篇 [...]。
假期实用机器学习书籍
O'Reilly 书籍以实用、动手和有用而闻名。尤其是“坚果书”和所谓的“动物书”。O'Reilly 为假期期间推出了一些关于机器学习的新书。我不想用评论来烦您，亚马逊有很多评论。在这篇文章中，我们 [...]。
使用随机森林：在 121 个数据集上测试 179 个分类器
如果您不知道该使用哪种算法来解决您的问题，可以尝试几种。或者，您也可以尝试随机森林和高斯 SVM。在最近的一项研究中，这两种算法在与近 200 种其他算法在超过 100 个数据集上的平均比较中被证明是最有效的。在 [...]。
更好的朴素贝叶斯：充分利用朴素贝叶斯算法的12个技巧
朴素贝叶斯是一种简单而强大的技术，您应该在分类问题上进行测试和使用。它易于理解，效果良好，并且能够快速构建模型和进行预测。仅凭这些原因，您就应该仔细研究该算法。在最近的一篇博文中，您 [...]。
构建机器学习系统的心得体会
在最近的 MLConf 会议上，Xavier Amatriain 描述了他作为 Netflix 研究/工程经理在构建机器学习系统方面学到的 10 个经验。在此，您将在他的演讲和幻灯片的摘要中发现这 10 个经验。10 个经验教训 Xavier 提出的 10 个经验可以总结为 [...]。
通过交付成果获得你梦想的机器学习工作
您可以振作起来，实现成为一名机器学习从业者和数据科学家的愿望。您必须努力工作，学习技能并证明您能够交付成果，但您不需要名校学位或光鲜的背景。在这篇文章中，我想证明 [...]。
使用 ROC 曲线评估和比较分类器性能
最常报告的分类器性能度量是准确性：获得的正确分类的百分比。此指标的优点是易于理解，并且可以轻松比较不同分类器的性能，但它忽略了在诚实评估 [...] 时应考虑的许多因素。