c*****e
发帖数: 3226 | 1 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
要，最最推荐的书是？
2）搞 ML为生的， 工作的重点放在哪里？预先处理数据？调试参数？比较结果？还是
写系统处理大数据？感觉前面列的很多工作不需要写程序,完全就是 data scientist
做的事情。
3）很多时候，感觉没有一个确定的答案，因为不同的模型都可以用，是一种感知，没
有完全的对错。 |
c****3
发帖数: 10787 | 2 这玩意不是真理，你想要紧跟ML的东西，就得搞懂。
不过ML的东西，和人的学习完全不是一回事。所以就算搞懂，将来也不见得孩有用。因
为一直有个更好的，放在身边，就是大家不知道怎么实现的。
ML也就算勉强能用。从实用主义的角度，能解决一些问题。
说穿就是这么回事，就看你自己怎么想
1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
【在 c*****e 的大作中提到】
: 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
: 要，最最推荐的书是？
: 2）搞 ML为生的， 工作的重点放在哪里？预先处理数据？调试参数？比较结果？还是
: 写系统处理大数据？感觉前面列的很多工作不需要写程序,完全就是 data scientist
: 做的事情。
: 3）很多时候，感觉没有一个确定的答案，因为不同的模型都可以用，是一种感知，没
: 有完全的对错。
|
g****t
发帖数: 31659 | 3 找个靠谱的学校，靠谱的老师很重要。
1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
【在 c*****e 的大作中提到】
: 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
: 要，最最推荐的书是？
: 2）搞 ML为生的， 工作的重点放在哪里？预先处理数据？调试参数？比较结果？还是
: 写系统处理大数据？感觉前面列的很多工作不需要写程序,完全就是 data scientist
: 做的事情。
: 3）很多时候，感觉没有一个确定的答案，因为不同的模型都可以用，是一种感知，没
: 有完全的对错。
|
c*****e
发帖数: 3226 | 4 wdong 啥意见？
不觉得靠谱的学校有用，靠谱的老师少之又少
【在 g****t 的大作中提到】
: 找个靠谱的学校，靠谱的老师很重要。
:
: 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
|
w***g
发帖数: 5958 | 5 啥都不懂的, 从这里开始
https://github.com/dmlc/xgboost/blob/master/doc/get_started/index.md
开始出活以后读这个http://scikit-learn.org/stable/user_guide.html
不愿意全读, 可以只读1.1, 1.4-1.6, 1.10-1.11, 2.3, 3.1-3.5. 以及按需读5中的内
容.
还有一个办法, 就是去找kaggle比赛第一名的代码, 一行一行查过去.
如果能做到背下来, 基本上就是半个高手了. 我上面列的这些链接和kaggle
应该有很大的重合.
有老师带自然最好. 没老师,应用的东西自己下点苦功夫也能学.
如果没有PhD垫底, 出去找工作前最好做几个kaggle比赛然后把排名给人家看.
如果是做研究的话就必须老师了.
我做ML也就一般水平, 去kaggle上拿不了前10. 不过解决实际问题往往也够了.
我觉得对于出活, 知道API, 对数据有点感觉就行, 懂不懂数学应该没啥关系.
关键是要对数据有感觉. 这个感觉只能靠多看不同的数据, 多调参数来培养.
【在 c*****e 的大作中提到】
: wdong 啥意见？
: 不觉得靠谱的学校有用，靠谱的老师少之又少
|
w***g
发帖数: 5958 | 6 还是回原贴吧. 我觉得搞ML为生很难. ML是临门一脚的事情. 这种好位置就是有, 也都
有人占着了. 能进大公司ML组自然很好. 如果是小公司, 其实是养不起专职ML的.
而大公司就那么几个, 招人范围基本上就是几个top学校的phd毕业生.
如果等着赚前养家, 与其学ML, 还不如学写网页. 等会写网页了再学点ML锦上添花吧.
【在 c*****e 的大作中提到】
: 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
: 要，最最推荐的书是？
: 2）搞 ML为生的， 工作的重点放在哪里？预先处理数据？调试参数？比较结果？还是
: 写系统处理大数据？感觉前面列的很多工作不需要写程序,完全就是 data scientist
: 做的事情。
: 3）很多时候，感觉没有一个确定的答案，因为不同的模型都可以用，是一种感知，没
: 有完全的对错。
|
l******n
发帖数: 9344 | 7 ML就是高大上的屠龙技，可惜龙的数量有限呀
【在 w***g 的大作中提到】
: 还是回原贴吧. 我觉得搞ML为生很难. ML是临门一脚的事情. 这种好位置就是有, 也都
: 有人占着了. 能进大公司ML组自然很好. 如果是小公司, 其实是养不起专职ML的.
: 而大公司就那么几个, 招人范围基本上就是几个top学校的phd毕业生.
: 如果等着赚前养家, 与其学ML, 还不如学写网页. 等会写网页了再学点ML锦上添花吧.
|
c*****e
发帖数: 3226 | 8 我也感觉如此，感觉ML 主要还是侧重 data scientist, 数据分析。 除非你去写个
tensor flow, 大部分的人没这个机会，programmer 数据分析又拼不过 data
scientist, 还是写 JavaScript 或者 cloud backend 才能发挥自己的优势。当然如
果了解 ML, 程序员就更好了，不会被 data scientist 忽悠多玄乎。
【在 w***g 的大作中提到】
: 还是回原贴吧. 我觉得搞ML为生很难. ML是临门一脚的事情. 这种好位置就是有, 也都
: 有人占着了. 能进大公司ML组自然很好. 如果是小公司, 其实是养不起专职ML的.
: 而大公司就那么几个, 招人范围基本上就是几个top学校的phd毕业生.
: 如果等着赚前养家, 与其学ML, 还不如学写网页. 等会写网页了再学点ML锦上添花吧.
|
c*****e
发帖数: 3226 | 9 1) 那些做ML研究的是不是需要自己搞一个 model? 或者从原理上 improve 一个 model
, 比如 改进 PCA, SBS， SVM.
2) 看了好几本书，感觉完全真正弄明白透彻理解那些数学的估计一万个人有一人就很
不错了。
3）如你所说，其实只要会library api, 抄抄写写也能ML, 无需理解数学。scikit-
learn 都给你包装好class 了。
【在 w***g 的大作中提到】
: 啥都不懂的, 从这里开始
: https://github.com/dmlc/xgboost/blob/master/doc/get_started/index.md
: 开始出活以后读这个http://scikit-learn.org/stable/user_guide.html
: 不愿意全读, 可以只读1.1, 1.4-1.6, 1.10-1.11, 2.3, 3.1-3.5. 以及按需读5中的内
: 容.
: 还有一个办法, 就是去找kaggle比赛第一名的代码, 一行一行查过去.
: 如果能做到背下来, 基本上就是半个高手了. 我上面列的这些链接和kaggle
: 应该有很大的重合.
: 有老师带自然最好. 没老师,应用的东西自己下点苦功夫也能学.
: 如果没有PhD垫底, 出去找工作前最好做几个kaggle比赛然后把排名给人家看.
|
d*******r
发帖数: 3299 | 10 marked!
【在 w***g 的大作中提到】
: 啥都不懂的, 从这里开始
: https://github.com/dmlc/xgboost/blob/master/doc/get_started/index.md
: 开始出活以后读这个http://scikit-learn.org/stable/user_guide.html
: 不愿意全读, 可以只读1.1, 1.4-1.6, 1.10-1.11, 2.3, 3.1-3.5. 以及按需读5中的内
: 容.
: 还有一个办法, 就是去找kaggle比赛第一名的代码, 一行一行查过去.
: 如果能做到背下来, 基本上就是半个高手了. 我上面列的这些链接和kaggle
: 应该有很大的重合.
: 有老师带自然最好. 没老师,应用的东西自己下点苦功夫也能学.
: 如果没有PhD垫底, 出去找工作前最好做几个kaggle比赛然后把排名给人家看.
|
|
|
T*******e
发帖数: 249 | 11 首先，是不是一定要搞懂，答：不是。
其次，搞懂了有没有好处， 答：有很大好处。 搞明白一个method为什么work，在什么
条件下work可以省去很多疑惑的时间。 也会让你的presentation更有干料。 并且在和
别人交流的时候显得更自信。 实话说，如果是行家的话你一说你做了什么他马上就知
道你明白不明白自己在干嘛。 |
w***g
发帖数: 5958 | 12 data scientist == machine learning
有句话叫技多不压身, 不要急着给自己定位. 你就是做ML, 最后不也得做
demo展示出来. 做demo不就得写网页. 如果这个网页你不自己写让别人写,
就是真有人给你写, 功劳也都被他抢走了.
【在 c*****e 的大作中提到】
: 我也感觉如此，感觉ML 主要还是侧重 data scientist, 数据分析。 除非你去写个
: tensor flow, 大部分的人没这个机会，programmer 数据分析又拼不过 data
: scientist, 还是写 JavaScript 或者 cloud backend 才能发挥自己的优势。当然如
: 果了解 ML, 程序员就更好了，不会被 data scientist 忽悠多玄乎。
|
w***g
发帖数: 5958 | 13 用ML和自己搞新算法这两者完全不同. 搞新算法太难了. 你别看每年那么多paper,
什么这个machine那个machine数学公式一大堆, 大部分其实都是incremental提高
甚至没有提高, 学生为了毕业老版为了funding不得不出paper, 其实太阳底下哪有
那么多新鲜事好写的? 如果你觉得sklearn玩腻了, 下一步是自己去identify一个
牛x, 但又没有好用的开源系统的算法去实现, 并且试着从常识的角度对这个算法
进行改进. 不要从数学角度去理解算法, 而是从编程的角度去理解算法. 然后测试,
fix各种corner case. 这样你在github上就能有自己的一席之地. 或者可以去看
那个啥啥wabbit和xgboost的实现, 自己改改跑跑. 要不了多就你就可以给他们提交
pull request了.
对于水平局限于到这个版来问问题的同学, 强烈不建议去搞数学推公式.
model
【在 c*****e 的大作中提到】
: 1) 那些做ML研究的是不是需要自己搞一个 model? 或者从原理上 improve 一个 model
: , 比如 改进 PCA, SBS， SVM.
: 2) 看了好几本书，感觉完全真正弄明白透彻理解那些数学的估计一万个人有一人就很
: 不错了。
: 3）如你所说，其实只要会library api, 抄抄写写也能ML, 无需理解数学。scikit-
: learn 都给你包装好class 了。
|
w***g
发帖数: 5958 | 14 贴两个我以前做的笔记. 一个是LDA, 一个是restricted boltzmann machine.
http://www.wdong.org/wordpress/wp-content/uploads/2013/07/lda.pdf
http://www.wdong.org/wordpress/wp-content/uploads/2013/07/rbm.pdf
推这些公式的时候, 我心里的感觉是这样的
我是想说这些bullets我以前都是咬过的. 如果你想学, 可能也都得咬一遍才行.
未必还是这些方法, 但是恶心程度应该都差不多.
我自己认为, 这些东西如果从数学角度去理解是无法理解的. 只有真正
implement过一遍才能理解, 并且你会发现从程序的角度看, 里面的idea
其实想当简洁明了. ( 为了implement还是得推一遍公式: (, 但是发明新
公式就算了.)
我数学差, 数学好的同学可能能直接能从公式看出来所以然. 我都得
implement一遍才能理解. 按刘慈欣的说法, 数学牛x的, 看到公式能
想象出来图形, 看到图形能想象出来公式, 我觉得搞数学得能到这个
层次才行.
写到后来发现自相矛盾了. 大家还是去写网页吧. 推公式太难了.
【在 w***g 的大作中提到】
: 用ML和自己搞新算法这两者完全不同. 搞新算法太难了. 你别看每年那么多paper,
: 什么这个machine那个machine数学公式一大堆, 大部分其实都是incremental提高
: 甚至没有提高, 学生为了毕业老版为了funding不得不出paper, 其实太阳底下哪有
: 那么多新鲜事好写的? 如果你觉得sklearn玩腻了, 下一步是自己去identify一个
: 牛x, 但又没有好用的开源系统的算法去实现, 并且试着从常识的角度对这个算法
: 进行改进. 不要从数学角度去理解算法, 而是从编程的角度去理解算法. 然后测试,
: fix各种corner case. 这样你在github上就能有自己的一席之地. 或者可以去看
: 那个啥啥wabbit和xgboost的实现, 自己改改跑跑. 要不了多就你就可以给他们提交
: pull request了.
: 对于水平局限于到这个版来问问题的同学, 强烈不建议去搞数学推公式.
|
c*****e
发帖数: 3226 | 15 厉害，看来你下过苦工的。金融quant也是数学一大堆。
每次看到ML的书里面一大堆推倒公式，真想问候他祖宗数遍，其实这帮写书的好多也都
是是从别的地方抄来的。
有个类似的例子就是：很多人不会懂发动机的工作原理,但是不妨碍熟练开车。我感觉
这应该是大部分人学 ML 需要走的路。
【在 w***g 的大作中提到】
: 贴两个我以前做的笔记. 一个是LDA, 一个是restricted boltzmann machine.
: http://www.wdong.org/wordpress/wp-content/uploads/2013/07/lda.pdf
: http://www.wdong.org/wordpress/wp-content/uploads/2013/07/rbm.pdf
: 推这些公式的时候, 我心里的感觉是这样的
: 我是想说这些bullets我以前都是咬过的. 如果你想学, 可能也都得咬一遍才行.
: 未必还是这些方法, 但是恶心程度应该都差不多.
: 我自己认为, 这些东西如果从数学角度去理解是无法理解的. 只有真正
: implement过一遍才能理解, 并且你会发现从程序的角度看, 里面的idea
: 其实想当简洁明了. ( 为了implement还是得推一遍公式: (, 但是发明新
: 公式就算了.)
|
c*****e
发帖数: 3226 | 16 +1，
有个编程技术性的问题，经常搞矩阵运算的时候，有时候会很犹豫到底 tmd 要不要.T
有没有好的 tip ？
【在 w***g 的大作中提到】
: 用ML和自己搞新算法这两者完全不同. 搞新算法太难了. 你别看每年那么多paper,
: 什么这个machine那个machine数学公式一大堆, 大部分其实都是incremental提高
: 甚至没有提高, 学生为了毕业老版为了funding不得不出paper, 其实太阳底下哪有
: 那么多新鲜事好写的? 如果你觉得sklearn玩腻了, 下一步是自己去identify一个
: 牛x, 但又没有好用的开源系统的算法去实现, 并且试着从常识的角度对这个算法
: 进行改进. 不要从数学角度去理解算法, 而是从编程的角度去理解算法. 然后测试,
: fix各种corner case. 这样你在github上就能有自己的一席之地. 或者可以去看
: 那个啥啥wabbit和xgboost的实现, 自己改改跑跑. 要不了多就你就可以给他们提交
: pull request了.
: 对于水平局限于到这个版来问问题的同学, 强烈不建议去搞数学推公式.
|
m******r
发帖数: 1033 | 17 lol. 人家wdong是本版天才型大牛。 被你说成'下过苦工'.
别说机器学习里的公式，就算最简单的线性回归，能把主要公式推出来也很不简单。
反正我是不能。
【在 c*****e 的大作中提到】
: 厉害，看来你下过苦工的。金融quant也是数学一大堆。
: 每次看到ML的书里面一大堆推倒公式，真想问候他祖宗数遍，其实这帮写书的好多也都
: 是是从别的地方抄来的。
: 有个类似的例子就是：很多人不会懂发动机的工作原理,但是不妨碍熟练开车。我感觉
: 这应该是大部分人学 ML 需要走的路。
|
w***g
发帖数: 5958 | 18 T不T没啥关系. 写C/python这一路的, 一般是每个对象是一个行向量, 写fortran的是
列向量. 输入对象和输出对象应该是一致的. 这个定了, 别的矩阵方向应该也都定了吧.
T
【在 c*****e 的大作中提到】
: +1，
: 有个编程技术性的问题，经常搞矩阵运算的时候，有时候会很犹豫到底 tmd 要不要.T
: 有没有好的 tip ？
|
h*i
发帖数: 3446 | 19 这个我同意，对程序猿来说，要想成为ML算法专家，最好的办法，就是自己去实现一下
。实现一遍之后，就会有比较深的理解。
其实自己搞过就会发现，大部分发表的ML文章都是垃圾。往往不是对原有算法的提高，
而是倒退，overfit某些特别的个案。
ML其实就那么几个算法，而这些算法的直觉都是很简单的。你看见的那堆数学公式都是
算法出来之后，别人事后弄出来的。所以你学习的时候，不要去看公式，而是要试图去
理解背后的直觉。最好是找到最初的文章，那些古时候的文章往往没啥公式，但直觉讲
得很清楚。
【在 w***g 的大作中提到】
: 用ML和自己搞新算法这两者完全不同. 搞新算法太难了. 你别看每年那么多paper,
: 什么这个machine那个machine数学公式一大堆, 大部分其实都是incremental提高
: 甚至没有提高, 学生为了毕业老版为了funding不得不出paper, 其实太阳底下哪有
: 那么多新鲜事好写的? 如果你觉得sklearn玩腻了, 下一步是自己去identify一个
: 牛x, 但又没有好用的开源系统的算法去实现, 并且试着从常识的角度对这个算法
: 进行改进. 不要从数学角度去理解算法, 而是从编程的角度去理解算法. 然后测试,
: fix各种corner case. 这样你在github上就能有自己的一席之地. 或者可以去看
: 那个啥啥wabbit和xgboost的实现, 自己改改跑跑. 要不了多就你就可以给他们提交
: pull request了.
: 对于水平局限于到这个版来问问题的同学, 强烈不建议去搞数学推公式.
|
c*****e
发帖数: 3226 | 20 哈哈，怎么和我写研究生论文差不多，先搞个结论，最后推一堆公式往上套，显得很高
大上。
【在 h*i 的大作中提到】
: 这个我同意，对程序猿来说，要想成为ML算法专家，最好的办法，就是自己去实现一下
: 。实现一遍之后，就会有比较深的理解。
: 其实自己搞过就会发现，大部分发表的ML文章都是垃圾。往往不是对原有算法的提高，
: 而是倒退，overfit某些特别的个案。
: ML其实就那么几个算法，而这些算法的直觉都是很简单的。你看见的那堆数学公式都是
: 算法出来之后，别人事后弄出来的。所以你学习的时候，不要去看公式，而是要试图去
: 理解背后的直觉。最好是找到最初的文章，那些古时候的文章往往没啥公式，但直觉讲
: 得很清楚。
|
|
|
m*****n
发帖数: 3644 | |
h*i
发帖数: 3446 | 22 搞矩阵运算编程我觉得比其他编程还容易点，往往矩阵乘法的维度要求就排除了很多不
对的情况，有点天然type checker的意思。我一般把矩阵各个乘法及其维度都大致画个
示意图，仔细检查一遍是不是都搞对了，一般就错不了。
+1，
T
【在 c*****e 的大作中提到】
: +1，
: 有个编程技术性的问题，经常搞矩阵运算的时候，有时候会很犹豫到底 tmd 要不要.T
: 有没有好的 tip ？
|
n******g
发帖数: 2201 | 23 very nice insight! 学习写网页，最好的入门是不是javascript? 多谢
【在 w***g 的大作中提到】
: data scientist == machine learning
: 有句话叫技多不压身, 不要急着给自己定位. 你就是做ML, 最后不也得做
: demo展示出来. 做demo不就得写网页. 如果这个网页你不自己写让别人写,
: 就是真有人给你写, 功劳也都被他抢走了.
|
n******g
发帖数: 2201 | 24 赞经验
【在 h*i 的大作中提到】
: 搞矩阵运算编程我觉得比其他编程还容易点，往往矩阵乘法的维度要求就排除了很多不
: 对的情况，有点天然type checker的意思。我一般把矩阵各个乘法及其维度都大致画个
: 示意图，仔细检查一遍是不是都搞对了，一般就错不了。
:
: +1，
: T
|
h*i
发帖数: 3446 | 25 比你说的稍微复杂点，其实过程往往是这样的：
1. 某实际工作者为了解决实际问题，研究出了一个算法，写了个文章，发了，不一定
发在很高大上的地方，这个文章往往没有很多形式化，看上去很不正式。
2. 有人为了解决另一个相关的实际问题，用了这个算法，觉得还挺好用，写了文章来
稍作修改，推广什么的。
3. 计算机行当里面，有这么一种人，其业务就是把一个本来简单的东西形式化，普遍
化，发在他们觉得更高大上的地方。
4.写教科书的人往往会照抄这些人写的形式化，显得自己的教科书很严谨，很有权威性。
5.从头学习的人们就悲剧了，看见了一大堆公式，觉得自己好渺小好无助，这些专家们
都很伟大很权威。
6. 社会和谐了。
【在 c*****e 的大作中提到】
: 哈哈，怎么和我写研究生论文差不多，先搞个结论，最后推一堆公式往上套，显得很高
: 大上。
|
w***g
发帖数: 5958 | 26 我自己主要是django + jquery. 最近也在用jinja2.
从网上下过boostrap的模版.
google bootstrap template. 收费的我记得也就$18.
我的技术比较落后. 版上要有专家介绍下这方面的轮子就好了.
【在 n******g 的大作中提到】
: very nice insight! 学习写网页，最好的入门是不是javascript? 多谢
|
n*****3
发帖数: 1584 | 27 有一本 machine learning in action
好几年前的书了，
就是Python 实现 简易版的 常见 ml
算法， 可以看看
网上应该有 free PDF
+1，
T
【在 c*****e 的大作中提到】
: +1，
: 有个编程技术性的问题，经常搞矩阵运算的时候，有时候会很犹豫到底 tmd 要不要.T
: 有没有好的 tip ？
|
c*****e
发帖数: 3226 | 28 django 说实在的太死板了，基本上只能套 SQL 那个模子。
学客户端技术变化实在太快，感觉现在都是啥 node.js , meteor,
【在 w***g 的大作中提到】
: 我自己主要是django + jquery. 最近也在用jinja2.
: 从网上下过boostrap的模版.
: google bootstrap template. 收费的我记得也就$18.
: 我的技术比较落后. 版上要有专家介绍下这方面的轮子就好了.
|
c*****e
发帖数: 3226 | 29 没办法，我等是民工。
板上几个人知道 confidence interval vs prediction interval 的区别？哈哈
性。
【在 h*i 的大作中提到】
: 比你说的稍微复杂点，其实过程往往是这样的：
: 1. 某实际工作者为了解决实际问题，研究出了一个算法，写了个文章，发了，不一定
: 发在很高大上的地方，这个文章往往没有很多形式化，看上去很不正式。
: 2. 有人为了解决另一个相关的实际问题，用了这个算法，觉得还挺好用，写了文章来
: 稍作修改，推广什么的。
: 3. 计算机行当里面，有这么一种人，其业务就是把一个本来简单的东西形式化，普遍
: 化，发在他们觉得更高大上的地方。
: 4.写教科书的人往往会照抄这些人写的形式化，显得自己的教科书很严谨，很有权威性。
: 5.从头学习的人们就悲剧了，看见了一大堆公式，觉得自己好渺小好无助，这些专家们
: 都很伟大很权威。
|
d*******r
发帖数: 3299 | 30 哈哈哈，太精辟了
性。
【在 h*i 的大作中提到】
: 比你说的稍微复杂点，其实过程往往是这样的：
: 1. 某实际工作者为了解决实际问题，研究出了一个算法，写了个文章，发了，不一定
: 发在很高大上的地方，这个文章往往没有很多形式化，看上去很不正式。
: 2. 有人为了解决另一个相关的实际问题，用了这个算法，觉得还挺好用，写了文章来
: 稍作修改，推广什么的。
: 3. 计算机行当里面，有这么一种人，其业务就是把一个本来简单的东西形式化，普遍
: 化，发在他们觉得更高大上的地方。
: 4.写教科书的人往往会照抄这些人写的形式化，显得自己的教科书很严谨，很有权威性。
: 5.从头学习的人们就悲剧了，看见了一大堆公式，觉得自己好渺小好无助，这些专家们
: 都很伟大很权威。
|
|
|
e*******s
发帖数: 1979 | 31 对！
【在 d*******r 的大作中提到】
: 哈哈哈，太精辟了
:
: 性。
|
w***g
发帖数: 5958 | 32 这个我也不知道. 这个是统计的语言, 做ML的一般不说这套语言.
一般都是预测n选1, 没有区间, 最多再加一个0-1之间的分数.
结果给人去看,人家也就能理解到这个程度.
以前本科学过置信区间, 不知道是哪一个.
【在 c*****e 的大作中提到】
: 没办法，我等是民工。
: 板上几个人知道 confidence interval vs prediction interval 的区别？哈哈
:
: 性。
|
M********0
发帖数: 1230 | 33 市面上各种ML的书鱼龙混杂 看书还是要找本经典的
推荐Elements of Statistical Learning这本书 读透了差不多小牛了 |
w***g
发帖数: 5958 | 34 我也觉得这书是市面上最好的.
不过本版人众估计没那么多耐心读书, 所以我上面贴了速成法门.
【在 M********0 的大作中提到】
: 市面上各种ML的书鱼龙混杂 看书还是要找本经典的
: 推荐Elements of Statistical Learning这本书 读透了差不多小牛了
|
c*****e
发帖数: 3226 | 35 这个在 linear regression 上还是有用的一个参考指标。
【在 w***g 的大作中提到】
: 这个我也不知道. 这个是统计的语言, 做ML的一般不说这套语言.
: 一般都是预测n选1, 没有区间, 最多再加一个0-1之间的分数.
: 结果给人去看,人家也就能理解到这个程度.
: 以前本科学过置信区间, 不知道是哪一个.
|
c*****e
发帖数: 3226 | 36 我看他的姊妹篇：An Introduction to statistical learning 看到100页就顶
不住了，太多专业术语与数学。 你说的这本只会更难吧？
目前看来 Python machine learning 还不错
【在 M********0 的大作中提到】
: 市面上各种ML的书鱼龙混杂 看书还是要找本经典的
: 推荐Elements of Statistical Learning这本书 读透了差不多小牛了
|
j********g
发帖数: 61 | |
m******r
发帖数: 1033 | 38 避免以下几类书：
1.黄皮书(尤其以springer等一小撮为首的)千万不能看。 理由：伤身体。 年轻也许可
以看。
2.elements of 什么什么的。 理由：逗你玩的
3.introduction of 什么什么的 理由：也是逗你玩儿的
4.满篇公式的 。 理由：高攀不起
5.教授写的书。 理由：他自己都未必干过，能教你什么？
选书要符合以下几个条件：
1.有软件应用的，有代码，有数据
2.有行业书应用的，比如我只看和营销相关的
3.语言幽默，通俗易懂的,这种人不装逼
4.华人用英文写的书
5.里面有100到200页你觉得对你有帮助的书。 |
w***g
发帖数: 5958 | 39 the art of programming
the art of electronics
这是最高境界了吧
【在 m******r 的大作中提到】
: 避免以下几类书：
: 1.黄皮书(尤其以springer等一小撮为首的)千万不能看。 理由：伤身体。 年轻也许可
: 以看。
: 2.elements of 什么什么的。 理由：逗你玩的
: 3.introduction of 什么什么的 理由：也是逗你玩儿的
: 4.满篇公式的 。 理由：高攀不起
: 5.教授写的书。 理由：他自己都未必干过，能教你什么？
: 选书要符合以下几个条件：
: 1.有软件应用的，有代码，有数据
: 2.有行业书应用的，比如我只看和营销相关的
|
l****1
发帖数: 66 | 40
Linear R看1小时都能懂啊，你没花时间看。
【在 m******r 的大作中提到】
: lol. 人家wdong是本版天才型大牛。 被你说成'下过苦工'.
: 别说机器学习里的公式，就算最简单的线性回归，能把主要公式推出来也很不简单。
: 反正我是不能。
|
|
|
T*******x
发帖数: 8565 | 41 我最近看了一本neural network and deep learning的网络书，Michael Nielsen的，
感觉写的非常易懂，我入门了 :)
http://neuralnetworksanddeeplearning.com
【在 M********0 的大作中提到】
: 市面上各种ML的书鱼龙混杂 看书还是要找本经典的
: 推荐Elements of Statistical Learning这本书 读透了差不多小牛了
|
M********0
发帖数: 1230 | 42
我看他的姊妹篇：An Introduction to statistical learning 看到100页就顶
这本书是统计系的教程 算是最全面和详细的教材 CS专业好像不用这本书
你说的那本是简版的 更偏重于应用和R 如果用Python的话可以直接看scikit官网的
tutorials 我觉得完全够用了 wdong的速成不错
除非统计或者CS的phd方向是ML 需要对数学公式更了解 另外convex optimization也
要读 更难啃 其他人基本上能用现有的library就够了 比如scikit或者weka 或者
看看AndrewNg的stanford cs299讲义就够了(不是coursea那门课的讲义 那个太简单)
【在 c*****e 的大作中提到】
: 我看他的姊妹篇：An Introduction to statistical learning 看到100页就顶
: 不住了，太多专业术语与数学。 你说的这本只会更难吧？
: 目前看来 Python machine learning 还不错
|
M********0
发帖数: 1230 | 43
这个水太深....
【在 T*******x 的大作中提到】
: 我最近看了一本neural network and deep learning的网络书，Michael Nielsen的，
: 感觉写的非常易懂，我入门了 :)
: http://neuralnetworksanddeeplearning.com
|
T*******x
发帖数: 8565 | 44 啥意思？这个很易懂啊。
【在 M********0 的大作中提到】
:
: 这个水太深....
|
m******r
发帖数: 1033 | 45 对，还有这种'艺术'类的， 不要说，更要远离 - 尤其对我们转行换专业，有家有口，
每天只能读书一两个小时的，按我的方法读书（或者你的速成法），一两年就能出师，
三四年就算是转行成功了。
【在 w***g 的大作中提到】
: the art of programming
: the art of electronics
: 这是最高境界了吧
|
l*******m
发帖数: 1096 | 46 frequentists 数学微积分加线性代数就够了，不是很难。Bayesian比较复杂，不过由
于大数据的压力，现在也minibatch sampling/ inference，不少投靠Tensorflow用其
autograd.
【在 M********0 的大作中提到】
: 市面上各种ML的书鱼龙混杂 看书还是要找本经典的
: 推荐Elements of Statistical Learning这本书 读透了差不多小牛了
|
g****t
发帖数: 31659 | 47 pandas就是一个年轻毕业生做的。
其实现在谁做一个高质量的JavaScript
data frame也有市场的。
创造性的工作不是一般人能做的。
本身工程师也不需要多大创造。能有用户，
能赚钱才是第一位的。
对于水平局限于到这个版来问问题的同学,
我觉得培养好的习惯和工程成熟度更重要吧。
行走坐卧没有规矩，干啥都是..
数学那是想的太远了.
【在 w***g 的大作中提到】
: 用ML和自己搞新算法这两者完全不同. 搞新算法太难了. 你别看每年那么多paper,
: 什么这个machine那个machine数学公式一大堆, 大部分其实都是incremental提高
: 甚至没有提高, 学生为了毕业老版为了funding不得不出paper, 其实太阳底下哪有
: 那么多新鲜事好写的? 如果你觉得sklearn玩腻了, 下一步是自己去identify一个
: 牛x, 但又没有好用的开源系统的算法去实现, 并且试着从常识的角度对这个算法
: 进行改进. 不要从数学角度去理解算法, 而是从编程的角度去理解算法. 然后测试,
: fix各种corner case. 这样你在github上就能有自己的一席之地. 或者可以去看
: 那个啥啥wabbit和xgboost的实现, 自己改改跑跑. 要不了多就你就可以给他们提交
: pull request了.
: 对于水平局限于到这个版来问问题的同学, 强烈不建议去搞数学推公式.
|
g****t
发帖数: 31659 | 48 所以要好的老师。教科书上的东西往往都是封装了好几层的。
不会告诉你一个算法的design motivation.
而且大专家很多也非常蛋疼。发明lisp那哥们坚称自己没读过邱奇的
lambda calculus,是自己原创的
如果没有好老师分块讲解。收音机的电路图那也是读不懂的啊。
因为中间有很多design tradeoff decision。说是园的或者方的，
都是可以的。
性。
【在 h*i 的大作中提到】
: 比你说的稍微复杂点，其实过程往往是这样的：
: 1. 某实际工作者为了解决实际问题，研究出了一个算法，写了个文章，发了，不一定
: 发在很高大上的地方，这个文章往往没有很多形式化，看上去很不正式。
: 2. 有人为了解决另一个相关的实际问题，用了这个算法，觉得还挺好用，写了文章来
: 稍作修改，推广什么的。
: 3. 计算机行当里面，有这么一种人，其业务就是把一个本来简单的东西形式化，普遍
: 化，发在他们觉得更高大上的地方。
: 4.写教科书的人往往会照抄这些人写的形式化，显得自己的教科书很严谨，很有权威性。
: 5.从头学习的人们就悲剧了，看见了一大堆公式，觉得自己好渺小好无助，这些专家们
: 都很伟大很权威。
|
c*******9
发帖数: 9032 | 49 语言太啰嗦，一件事反复说。
【在 T*******x 的大作中提到】
: 啥意思？这个很易懂啊。
|
p**r
发帖数: 5853 | 50 这个要mark一下。
【在 w***g 的大作中提到】
: 啥都不懂的, 从这里开始
: https://github.com/dmlc/xgboost/blob/master/doc/get_started/index.md
: 开始出活以后读这个http://scikit-learn.org/stable/user_guide.html
: 不愿意全读, 可以只读1.1, 1.4-1.6, 1.10-1.11, 2.3, 3.1-3.5. 以及按需读5中的内
: 容.
: 还有一个办法, 就是去找kaggle比赛第一名的代码, 一行一行查过去.
: 如果能做到背下来, 基本上就是半个高手了. 我上面列的这些链接和kaggle
: 应该有很大的重合.
: 有老师带自然最好. 没老师,应用的东西自己下点苦功夫也能学.
: 如果没有PhD垫底, 出去找工作前最好做几个kaggle比赛然后把排名给人家看.
|
|
|
p**r
发帖数: 5853 | 51 精辟啊精辟！
【在 l******n 的大作中提到】
: ML就是高大上的屠龙技，可惜龙的数量有限呀
|
T*******x
发帖数: 8565 | 52 哦。我觉得还行。总共6页，每页一章，挺实惠的。
【在 c*******9 的大作中提到】
: 语言太啰嗦，一件事反复说。
|
c*******9
发帖数: 9032 | 53 会越来越多。
【在 l******n 的大作中提到】
: ML就是高大上的屠龙技，可惜龙的数量有限呀
|
c*******9
发帖数: 9032 | 54 和人的学习完全是不是一回事，不是你能想当然的。
更好的方法肯定会有，但不等于现在什么都不做就能等来好方法。
【在 c****3 的大作中提到】
: 这玩意不是真理，你想要紧跟ML的东西，就得搞懂。
: 不过ML的东西，和人的学习完全不是一回事。所以就算搞懂，将来也不见得孩有用。因
: 为一直有个更好的，放在身边，就是大家不知道怎么实现的。
: ML也就算勉强能用。从实用主义的角度，能解决一些问题。
: 说穿就是这么回事，就看你自己怎么想
:
: 1)每次看的似懂非懂，总觉得不是理解的很透，作为程序员，需要透彻理解么？如果需
|
