經(jīng)過(guò)一番調(diào)查，確定了系統(tǒng)學(xué)習(xí)的資料：
據(jù)說(shuō)163的視頻源比較好：http://open.163.com/special/opencourse/machinelearning.html
具體的課件，可以從網(wǎng)站下載：http://cs229.stanford.edu/materials.html
花了兩天的時(shí)間，體驗(yàn)了下如何用機(jī)器學(xué)習(xí)框架，大致有了個(gè)感性認(rèn)識(shí)：
選用Caffe(https://github.com/BVLC/caffe ) 編譯安裝了下，采用CPU作為計(jì)算單元，把mnitst（https://github.com/BVLC/caffe/tree/master/examples/mnist） 的例子跑了一下。我看的是《深度學(xué)習(xí)21天實(shí)戰(zhàn)caffe》，個(gè)人覺(jué)得，沒(méi)有機(jī)器學(xué)習(xí)的理論知識(shí)基礎(chǔ)，看這個(gè)意義不大。如果是實(shí)戰(zhàn)性的操作，寫(xiě)的也不是特別適合新手。感覺(jué)機(jī)器學(xué)習(xí)的上手，還不如把一個(gè)實(shí)戰(zhàn)的例子講的更容易操作，把和實(shí)際意義更直觀的解釋清楚。比如上面mnist的例子。
聽(tīng)過(guò)一個(gè)講座(http://www.robotics.sei.ecnu.edu.cn/ros2016/docs/Robot%20Vision%20-%20what%20you%20see%20neq%20what%20you%20get.pdf )，個(gè)人感覺(jué)里面只用一頁(yè)就把貝葉斯公式的實(shí)際意義講清楚了：
所以先小結(jié)下正式開(kāi)始課程學(xué)習(xí)前的認(rèn)知以及期望：
- 私以為機(jī)器學(xué)習(xí)的原理是基于概率論的，具體實(shí)現(xiàn)需要用上線性代數(shù)里的矩陣運(yùn)算
- 不清楚怎么提取input數(shù)據(jù)的特征
- 具體算法（特征提取，數(shù)學(xué)模型），難度應(yīng)該比較大，對(duì)偏工程實(shí)現(xiàn)的我來(lái)說(shuō)，了解即可
- 運(yùn)算上的加速，應(yīng)該是可以攻的方向，也是工程上可以做的，但目前興趣不大
- 如何應(yīng)用是我最關(guān)心的，期待能和nlp或經(jīng)濟(jì)數(shù)據(jù)預(yù)測(cè)結(jié)合起來(lái)
