学*路径
数学：线性代数：矩阵的意义和计算（四则运算，矩阵的逆，转置矩阵），向量；
高数：微积分，求导（包括偏导），泰勒定理，麦克劳林公式，拉格朗日乘数法，方向导数与梯度算法，最小二乘法
概率与统计：分布函数（正态分布，伯努利分布，多项式分布，指数分布—时间间隔，泊松分布—时间段内事件发生），概率密度函数，概率质量函数，贝叶斯定理，条件概率，最大似然值，异常值检查（如z分数），数学期望，方差，标准差，相关系数
数值计算：牛顿法
信息论：信息熵的技术
机器学*算法：
线性回归，逻辑回归，局部加权线性回归，随机森林，贝叶斯分类器，gbdt，决策树，k-mean
编程语言：
Python，r，matlab
程序包：
Scikit-learn，Deeplearning4j，DataVec
基础框架：
Tensorflow，caffe，keras

参考资料
数学：线性代数及其应用（lay，strang），同济；高数（同济）；统计（浙大）；数学分析（Rudin著）
https://www.coursera.org/learn/machine-learning；NG
斯坦福深度学*自燃语言，http://cs224d.stanford.edu/syllabus.html，深度学*：比如递归、分类、聚类和预测
http://blog.csdn.net/zouxy09/article/details/48903179
http://www.cnblogs.com/DjangoBlog/p/6201663.html
以上是gbdt的python，使用scikit库，不错的例子
学*资料：http://blog.jobbole.com/56256/
http://www.infoq.com/cn/articles/deep-learning-time-series-anomaly-detection
Scikit-Learn库已经实现了所有基本机器学*的算法
http://www.csdn.net/article/2015-09-16/2825716
书籍：Introduction to Machine Learning with Python；机器学*实战；机器学*
（周志华教授）

相关博客 http://www.cnblogs.com/denny402/

应用场景
广告点击率预测
营销效果预测
信用风险识别
故障预测
智能投顾
业务指标预测

机器学*

机器学*是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学*”为重点，一条自然、清晰的脉络。显然，机器学*是实现人工智能的一个途径，即以机器学*为手段解决人工智能中的问题。机器学*在*30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼*论、凸分析、计算复杂性理论等多门学科。机器学*理论主要是设计和分析一些让计算机可以自动“学*”的算法。机器学*算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学*算法中涉及了大量的统计学理论，机器学*与推断统计学联系尤为密切，也被称为统计学*理论。算法设计方面，机器学*理论关注可以实现的，行之有效的学*算法。很多推论问题属于无程序可循难度，所以部分的机器学*研究是开发容易处理的*似算法。
机器学*已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

目录
    1 定义
机器学*是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学*中改善具体算法的性能。
机器学*是对能通过经验自动改进的计算机算法的研究。
机器学*是用数据或以往的经验，以此优化计算机程序的性能标准。
    2 分类
监督学*从给定的训练数据集中学*出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学*的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学*算法包括回归分析和统计分类。
无监督学*与监督学*相比，训练集没有人为标注的结果。常见的无监督学*算法有聚类。
半监督学*介于监督学*与无监督学*之间。
增强学*通过观察来学*做成如何的动作。每个动作都会对环境有所影响，学*对象根据观察到的周围环境的反馈来做出判断。
    3 算法
    构造间隔理论分布：聚类分析和模式识别
        人工神经网络
        决策树
        感知器
        支持向量机
        集成学*AdaBoost
        降维与度量学*
        聚类
        贝叶斯分类器
    构造条件概率：回归分析和统计分类
        高斯过程回归
        线性判别分析
        最*邻居法
        径向基函数核
    通过再生模型构造概率密度函数：
        最大期望算法
        概率图模型：包括贝叶斯网和Markov随机场
        Generative Topographic Mapping
    *似推断技术：
        马尔可夫链
        蒙特卡罗方法
        变分法
    最优化：大多数以上方法，直接或者间接使用最优化算法。

培乐园课程

机器学*初级班
通过这个课程你可以对机器学*的领域中最为基础和广泛的几类算法有所了解，并能够独立实现相关算法，以及在实际工作中较熟练的进行相关知识的运用。同时可以令原本没有相关背景的人员建立一个较为完整机器学*的知识体系，为各类推荐，自然语言处理，互联网广告，视觉处理等应用领域的学*和工作提供必要的基础。

课程目录
章1机器学*基础和分类
1机器学*基础
2贝叶斯分类及应用
3K最*邻分类
4实训：训练朴素贝叶斯分类器进行文档分类

章2感知机和SVM
1线性感知机分类
2支持向量机
3理论性质和工具
4实训：SVM工具包使用

章3聚类
1聚类基础知识
2凝聚层次聚类
3K-means聚类
4基于GMM的聚类
5实训：利用K-means算法完成新闻聚类

章4回归
1线性回归
2逻辑回归
3正则化框架
4搜索广告算法
5实训：广告点击率预估

章5关联规则
1关联规则挖掘介绍
2Apriori算法
3FP-Growth算法
4协同过滤基础
5实训：电影演员关联规则挖掘

章6图模型与中文分词
1中文分词技术概述
2马尔科夫模型与语言模型
3隐马尔科夫模型及应用
4实训：训练HMM切词器，对任意输入字符串进行解码

机器学*高级班
通过这个课程你可以对机器学*算法或模型的原理及如何优化调整有更深刻的理解，然后在此基础上，创新地运用该技术解决更复杂的问题。特别针对专职进行算法研发方面的人员，以及有志于成为更高层次机器学*、数据挖掘方面人才的人员。

课程目录
章1主题模型
1概率图模型基础
2EM算法
3PLSA模型
4LDA模型
5实训：基于EM算法的PLSA训练程序并对新闻进行分类
6实训：基于Gibbs采样的LDA训练程序并对新闻进行分类

章2条件随机场与最大熵模型
1最大熵模型
2隐马模型
3条件随机场
4实训：基于尺度迭代法的最大熵模型的训练程序实现并用其进行新闻分类

章3SMO和CD算法
1SVM对偶问题
2SMO算法
3CD算法
4实训：编写基于SVM的单变量优化算法

章4L-BFGS迭代优化和OWLQN
1拟牛顿法
2L-BFGS算法
3OWLQN算法
4实训：基于LR回归问题，编写对应LBFGS算法

章5神经网络和深度学*
1神经网络
2什么是深度学*
3深层网络的基本构成单元
4深层网络的学*方法和应用成果
5实训1：基于MNIST数据集，写一个简单的单隐层神经网络分类算法；写一个自编码器学*MNIST特征
6实训2：用caffe进行imageNet分类和MNIST训练
7实训3：学*Theano基本操作，并用Theano写一个LSTM用于生成小说

章6决策树和模型融合
1决策树简介
2模型集成
3Bagging集成
4Boosting算法
5Tree-based&混合模型
6实训：使用Adaboost算法分类

相关资料网址

http://blog.csdn.net/jianjian1992/article/details/48688311

http://blog.csdn.net/a819825294?viewmode=contents

这样也可以出书？

https://www.zhihu.com/question/28544155/answer/125304347

博客 http://blog.greatgeekgrace.com/

https://www.zhihu.com/question/61732584

09年本科毕业，开发工作将*9年，最开始做过单片机，嵌入式Linux，后续做Android驱动以及系统开发，现在在阿里做Android开发工作。说实话，在阿里见识到了很多优秀的人，也让我有了很多思考。个人的开发经历（嵌入式Linux、android底层、Android APP开发)也算比较丰富了，总结一下这些经历，随着时间的推进，这些开发的门槛越来越低，最开始做单片机，每个寄存器都需要自己看看完以后才能搞功能，现在的单片机芯片，基本厂家都会提供一系列的驱动代码移植好的操作系统等，你只要关心自己的应用，随着时间的推移，现在有越来越多的应用代码框架开源出来，那么应用的门槛也会降低；Android系统的开发，说起来算是比较难的，但是需要的人有多少？无非国内几个手机厂商，而且随着google越抓越紧，系统开发工作也会越来越简单，APP开发就更明显门槛很低，而且以后会越来越低，做上多年以后发现你的技术，新人几个月就学会了，你跟新人差别不在技术上，而是在踩的坑多了，对问题思考比较深入。总的来讲这也是一个正常的趋势，一个行业最开始不成熟，需要大量优秀的人去做基础设施，基础设施越做越好，该行业就越来越简单，现在欧美等发达国家，少儿编程非常火热，也就是说我们现在的编程技能，以后会成为一个基础技能，就像现在大家都会用office一样。
那么问题来了，作为一个开发人员，知道这些趋势，该如何做职业规划，我现在的想法是去做算法，对于算法我个人的认为是，它是一个连接现实世界和计算机世界的桥梁，现实世界发现一个问题，那么我们怎么通过计算机来解决这个问题，与普通开发不同的是，普通开发是现有成熟技术的应用，而算法则需要自己去摸索并且实验找到一种方法来解决问题，往高了做，可以当做研究发paper，往低了做，可以做工具化降低高端技术应用门槛，是一个比较好的规划方向，也不知道我的想法对不对？
现在机器学*技术非常火热，总体来讲，往上它还有很多技术点没有攻破，比如训练所需资源太多，并不能像人一样思考等等，往下它已经开始工具化并且应用了，比如TensorFlow等各种开源框架，在语音识别，图像识别领域的应用等等。这个行业，可以说是正在基础建设的阶段，而不是像普通开发一样，已经成熟，并且在降低门槛的阶段，在将来的一段时间内，机器学*只要往高了走，还是相对门槛比较高的行业,但是不保证10年20年以后，人工智能已经非常强大，可以自己进化，不需要我们做研究了。既然想进入这个行业，那么问题来了，作为一个这么长时间开发经验的人来讲，年龄在这，开发功底在这，没有算法相关经验，怎么能进入这个行业呢？私下里我自学了一些机器学*方面的知识了：

自学
 自学andrew ng coursera上的机器学*课程，并完成所有作业。
 完成google 在Udacity上的深度学*课程，并完成所有作业。
 完成tensorflow官网的基础培训，包含tensorflow API以及tensorboard使用
 正在研读google出品的《深度学*》电子书，加深对深度学*的理解。

能力
 1.熟悉常用的机器学*算法：线性回归，逻辑回归，神经网络，SVM，KNN，K-means
 2.熟悉常见的降维方法：PCA，T-SNE
 3.熟悉常见的深度学*模型。CNN，RNN，LSTM
 4.熟悉基于内容的推荐系统，协同过滤算法。
 5.熟悉深度学*常见正则化方法:L1,L2
 6.熟悉tensorflow和tensorboard的用法。
 7.熟悉常见的图像处理模型（CNN+pool+dropout）以及自然语言处理常见模型(word2vec,语言生成模型)
 8.良好的Python基础，很强的编程能力
实践
 photoOCR 准确率：0.301
按照andrew ng课程里面讲解的方法实现，包含文字定位，文字分割和文字识别三部分，利用SVM作为分类器，使用MSCOCO数据库和自己创建数据库，可以做到定位并识别英文字母30.1%
 kaggle Digit Recognizer 竞赛成绩：0.99400 排名167/1696
使用tensorflow为深度学*框架，模型为：2层卷积+2层pool+2层全连接+dropout+L2正则化+softmax分类，最终获得0.99400 的准确率

 基于手机的AR(运动状态检测)算法 准确率：静止和步行90%+ 骑行和乘车：80%+
通过手机携带的加速度，陀螺仪，磁力计等传感器，来判断用户当前的运动状态(支持4种状态)，研读论文提取传感器数据特征(均值 方差 傅里叶变换 信息熵等等)，然后做数据特征筛选，训练不同分类器的（KNN,SVM,随机森林等），做效果对比，最终选择出最佳的数据特征和分类器

但是！但是！但是！我并没有很多的实践经验，找工作时，很多公司都要有经验的，投了一些简历，有很HR聊过天，却没有一个面试通知，在这个艰难的阶段，怎么去做才能顺利的转行？？我该找一份什么样的工作？大家有什么好的思路？？

https://www.zhihu.com/question/47345129