机器学习食谱/参考卡/备忘单？

我发现诸如《概率统计手册》和《 R数据挖掘参考卡》等资源非常有用。它们显然可以很好地用作参考，但也可以帮助我整理我对某个主题的想法并获得帮助。

问：是否存在类似这些资源的机器学习方法？

我正在想象一个针对每种ML方法的参考卡，其中包括：

• 一般性质
• 该方法行之有效
• 当方法效果不佳时
• 该方法从哪个方法推广到哪个其他方法。是否已被大部分取代？
• 关于该方法的开创性论文
• 与方法相关的未解决问题
• 计算强度

我敢肯定，只需阅读一些教科书，就可以找到所有这些东西。将它们放在几页上真的很方便。

一些最好的和免费的资源是：

• Hastie，Friedman等。统计学习的要素：数据挖掘，推理和预测
• 大卫·巴伯（David Barber）。贝叶斯推理与机器学习
• 大卫·麦凯。信息论，推理和学习算法（http://www.inference.phy.cam.ac.uk/mackay/itila/）

关于作者的问题，我还没有遇到“全页式”解决方案

如果您想学习机器学习，我强烈建议您参加由Andrew Ng教授教授的冬季免费在线机器学习课程。

我在秋天做了上一本，所有学习材料都具有卓越的品质，并且适合实际应用，并且更容易用书来解决那些挣扎的问题。

通过直观的良好解释和最少的数学运算，它也可以算是很轻松的事情。

是的，你很好。克里斯托弗·毕晓普（Christopher Bishop）的“模式识别和机器学习”是一本非常出色的书，可以作为一般参考，您不会错。

大卫·巴伯（David Barber）的著作《贝叶斯推理与机器学习》是一本相当新的书，但也写得很好，也同样广泛。我认为这本书对于该领域的新手来说稍微合适一些。

我使用了Hastie等人的“统计学习的要素”。（Macro提到），虽然这本非常强的书，但我不推荐它作为第一本参考书；也许它将更好地为您提供更专业的主题的第二参考。在这方面，David MacKay的书《信息论，推理和学习算法》也可以做得很出色。

由于共识似乎是这个问题不是重复的，因此我想与机器学习者初学者分享我的最爱：

我发现《编程集体智慧》对于初学者来说是最简单的书，因为作者Toby Segaran致力于使中位软件开发人员能够尽快掌握数据黑客的知识。

典型的章节：清楚地描述了数据问题，然后粗略地解释了算法的工作原理，最后展示了如何仅用几行代码就可以创建一些见解。

python的使用使您可以相当快速地了解所有内容（您完全不需要了解python，我以前也不知道）。不要以为这本书只专注于创建推荐系统。它还处理文本挖掘/垃圾邮件过滤/优化/聚类/验证等，因此，您可以对每个数据挖掘器的基本工具进行简洁的概述。

Wisten and Frank，《数据挖掘》，Elsevier 2005，是一本很好的自学书籍，因为本书附带了一个Java代码库（Weka），并且非常实用。我怀疑有比我最新的版本。

我有Stephen Marsland的《机器学习：算法观点》，发现它对于自学非常有用。本书提供了Python代码。

我同意这次好评中所说的话：

http://blog.rtwilson.com/review-machine-learning-an-algorithmic-perspective-by-stephen-marsland/

对于您的目的，“统计学习要素”将是一本好书。该书的第五版于2011年初出版，可从以下网址免费获得：http：//www.stanford.edu/~hastie/local.ftp/Springer/ESLII_print5.pdf

• http://scikit-learn.org/stable/tutorial/machine_learning_map/

解决机器学习问题的最难的部分通常是为工作找到合适的估计器。不同的估算器更适合于不同类型的数据和不同问题。下面的流程图旨在为用户提供一些粗略的指导，以指导他们如何处理有关哪些估算器尝试使用数据的问题。单击下表中的任何估算器以查看其文档。

该真棒机器学习库似乎是资源，包括代码，教程和主列表的书籍。

其他答案中提到的大多数书籍都非常好，您对它们中的任何一个都不会错。此外，我发现以下针对Python的备忘单scikit-learn非常有用。

我喜欢Duda，Hart和Stork的“模式分类”。这是经典文本的最新修订版，很好地解释了所有内容。不确定是否已对其进行更新以涵盖神经网络和SVM。Hastie，Tibshirani和Friedman的书讲述的是最好的书，但可能比您要寻找的书更具技术性，并且详尽而不是概述。

Microsoft Azure还提供了与Anton Tarasenko发布的scikit学习类似的备忘单。

（来源：https : //docs.microsoft.com/zh-cn/azure/machine-learning/machine-learning-algorithm-cheat-sheet）

他们伴随着一个通知：

该算法备忘单中提供的建议是大致的经验法则。有些可以弯曲，有些则可以公然违反。这是为了建议一个起点。（...）

Microsoft另外提供了一个介绍性文章，其中提供了更多详细信息。

请注意，这些材料集中于Microsoft Azure中实现的方法。

不要从统计学习要素入手。很好，但这是参考书，听起来并不像您要找的东西。我会从编程集体智能开始，因为它很容易阅读。

对于有关机器学习的第一本书，它很好地解释了原理，我强烈建议

Rogers和Girolami，《机器学习的第一门课程》（查普曼与霍尔/ CRC机器学习与模式识别），2011年。

一旦您掌握了原理，克里斯·毕晓普（Chris Bishop）的书或大卫·巴伯（David Barber）的书都为一本广度更大的书做出了不错的选择。

我写了这样的摘要，但仅涉及一项机器学习任务（Netflix奖），它有195页：http： //arek-paterek.com/book

检查此链接，其中提供了一些有关机器学习的免费电子书：http : //designimag.com/best-free-machine-learning-ebooks/。它可能对您有用。

Max Kuhn在“ 应用预测建模 ”一书中提到了一个好的秘籍。书中有一个很好的汇总表，列出了几种ML学习模型。该表在附录A第549页中。