scikit-learn是一个构建在SciPy之上用于机器学习的 Python 模块。

在拿破仑·希尔的名著《思考与致富》中讲述了达比的故事：达比经过几年的时间快要挖掘到了金矿，却在离它三英尺的地方离开了! 现在，我不知道这个故事是否真实。但是，我肯定在我的周围有一些跟达比一样的人，这些人认为，不管遇到什么问题， 机器学习的目的就是执行以及使用 2 – 3 组算法。他们不去尝试更好的算法和技术，因为他们觉得太困难或耗费时间。

介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.

比较全面的收集了机器学习的介绍文章，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning。

本主题包括两篇文章，由微软研究院和剑桥大学的Jamie Shotton，Antonio Criminisi，Sebastian Nowozin共同完成。 机器视觉是通过计算机算法自动理解图片内容的技术，十九世纪六十年代，它起源于人工智能和认知神经科学。为了“解决”机器视觉的问题，1966 年，在麻省理工学院，这个问题作为一个夏季项目被提出，但是人们很快发现要解决这个问题可能还需要更长的路要走。在50年后的今天，一般的图像理解任务仍 旧是不能得到完美解决。但是也已取得显着进展，并且随着机器视觉算法商业化的成功，机器视觉产品已经开始拥有广泛的用户，包括图像分割（例如微软 office中去除图片背景的功能）、图像检索、人脸检测对焦和Kinect的人体行为捕获等。几乎可以确定的是机器视觉最近的突飞猛进主要得益于最近 15到20年机器学习领域的快速发展。

机器学习现在可谓是炙手可热。只要应用机器学习，就可以有效丰富数据和知识，促进有价值的任务自动化，包括感知、分类和数值预测等。而它的「兄弟」——机器发现，可用于发现照亮和引导人类的新知识。让我们来探讨一下机器学习或者机器发现的最佳应用场景，以及其对商业很重要的原因。

本书针对机器学习这个领域，描述了多种学习范型、算法、理论以及应用。机器学习从本质上是一个多学科的领域。它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果。表1-2归纳了这些学科中影响机器学习的关键思想。本书的素材基于不同学科的成果，然而读者不必精通每一个学科。来自这些学科的关键理论将使用非专业的词汇讲解，其中不熟悉的术语和概念会在需要时加以介绍。

事实上有许多的途径可以了解机器学习，也有许多的资源例如书籍、公开课等可为所用，一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题，给出一些总结性的认识，并为你由程序员到机器学习高手的蜕变旅程中提供一些学习指引。

ganitha 包含一组算法用来实现在 Hadoop 平台是的各种规模的机器学习和统计分析。

大家好！我是John Platt，我在微软创建和使用机器学习（简称ML）算法已经17年了。最近这几年机器学习开始受到广泛关注，所以人们经常问我：“什么是机器学习？你们用机器学习来做什么？”

机器学习资源

在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是 EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。

出于文本归类和数据处理之需求，这段时间研究了下文本处理类的机器学习方面的东西。也快过年放假了，在此做一个总结和感受吧。

机器学习难，并不是因为数学难，而是因为选择什么工具及Debug难。快速有效Debug是现代机器学习中的必备技能，但机器学习的Debug相比普通程序要难很多：候选错误空间大、调试周期长。

本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。

很多都会有一个问题“如何自学书本知识之外的内容”。也许你是想增加一些技能，也许仅仅是爱好，也许是你读报纸书刊遇到一个你想去了解的知识点，也许是你要开始进行独立的研究……总之，你总会面临一些需要自学的情况。

对于你的分类问题，你知道应该如何选择哪一个机器学习算法么？当然，如果你真的在乎精度（accuracy），最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“good enough”的算法来解决你的问题，或者这里有些技巧可以参考，因为其中会有一些基本准则。

这两年机器学习的概念一直很火，无人车、人脸识别、语音识别，似乎无所不能。但有一点被忽略了，“机器学习”算法只是众多算法的一种，和快速排序、red-black BST 一样，它有自己独特的应用场景，而且只能在这个场景中使用。而且请注意，它并不像排序算法一样，可以保证百分之百的可用性，它的边界是有问题的。它更像那些固定算法的一个扩展，机器不用精确去执行程序代码的每一行，在程序以外，它提供给我们一些努力之外的惊喜。

机器学习Machine-Learning 主要内容 前言 课程列表 推荐学习路线 数学基础初级 程序语言能力 机器学习课程初级 数学基础中级 机器学习课程中级 推荐书籍列表 机器学习专项领域学习 前言 我们要求把这些课程的所有Notes,Slides以及作者强烈推荐的论文看懂看明白，并完成所有的老师布置的习题，而推荐的书籍是不做要求的，如果有些书籍是需要看完的，我们会进行额外的说明。 课程列表 课

Scala 机器学习库