我想学习概率论，度量理论，最后是机器学习。我从哪里开始？[关闭]

我想学习概率论，度量理论，最后是机器学习。我的最终目标是在一个软件中使用机器学习。

我在大学里学习了微积分和非常基本的概率，但是仅此而已。您知道一些我可以用来学习这些主题的在线课程或书籍吗？我在网上找到了很多资源，但它们似乎都是针对专业观众的。我知道这将需要一些时间，但是如果我想从头开始学习，该从哪里开始呢？

我认为有两个非常好的和受欢迎的参考资料可供您参考（我从这些参考资料开始，并且具有精算学硕士学位的背景）：

1. Gareth James，Daniela Witten，Trevor Hastie，Robert Tibshirani撰写的《统计学习入门》（在R中应用）。它可以在网站上免费获得，非常全面，并通过实际示例易于理解。即使没有非常强的统计背景，您也可以开始学习很多东西，该参考文献适合各种分析，包括足够数量的流行算法及其在R中的实现，而无需深入研究数学细节。

2. Trevor Hastie，Robert Tibshirani，Jerome Friedman的统计学习要素。与第一本书相比，如果您想进一步探索对您有用的特定算法，这本书将更深入地探讨数学方面。（也是免费的）

当然，对我来说，交叉验证是您可以学习很多东西的最佳资源之一：最佳实践，统计学上的误解和误用等等。在学校/大学学习了数年并进行了自学之后，我发现当我第一次去Cross Validated时，我的知识面太有限了。自从第一次访问以来，我每天都继续去这里，学到很多东西。

强烈建议您参考以下几项免费的在线课程：

• http://projects.iq.harvard.edu/stat110/home （取决于您目前对概率论的理解。Blitzstein博士的课程在哈佛非常流行，即使对于那些不熟悉统计/概率的人也是如此。我已经看过一些讲座供我自己回顾，发现对他们很有帮助。）
• https://www.coursera.org/learn/machine-learning（这是斯坦福大学第一批大规模在线课程的最新版本，该课程由安德鲁·伍（Andrew Ng）创立，他最终与人共同创立了Coursera。 ，但没有时间。）

您不需要度量理论。测量理论被数学家用来证明其他数学程序的正当性，例如对积分近似值进行限制。大多数工程师不会研究度量理论，而只会使用结果。ML所需的数学知识的大致特征是能够集成多元高斯函数-如果您对此有信心，则您可能具有必要的多元微积分，线性代数和概率论背景。

我会推荐艾伦·唐尼（Allen Downey）的《思想统计》（Think Stats），该书旨在向程序员教授概率/统计数据。这个想法是利用编程专业知识来进行仿真，从而理解概率论/统计方法。 艾伦唐尼博客（他写了其他文章） 统计数据（免费）pdf）

由于您对机器学习感兴趣，因此，我将跳过概率和度量，而直接进入ML。吴镇宇的课程是一个不错的起点。您实际上可以在两周内完成。

玩几个星期学到的东西，然后再回到根本，研究一些概率。如果您是一名工程师，那么我对您如何设法跳入大学感到困惑。它曾经是工程学的必修课。无论如何，您可以在这里参加MIT OCW课程进行学习。

我认为您不需要度量理论。没有人需要度量理论。那些这样做的人，他们不会来这里询问，因为他们的顾问会告诉他们该选择哪个课程。如果您没有顾问，那么您绝对不需要。重言式，但事实如此。

量度理论的意义在于您无法通过“轻松阅读”来学习它。从根本上讲，您必须做练习和解决问题。我认为，在教室外面这几乎是不可能的。如果他们愿意的话，这里最好的选择是在当地大学上课。有时，博士学位水平的概率课程将在一类中进行度量和概率计算，这可能是最好的选择。我不建议在数学系上纯粹的量度理论课，除非您确实想折磨自己，尽管最终您会感到非常满意。

对于机器学习，我认为Peter Flach的机器学习：理解数据的算法的艺术和科学可以作为一门很好的资源。它通过直观的示例全面介绍了机器学习，并且适合初学者。我喜欢这本书，尤其是因为上一章涉及机器学习实验。在学习机器学习时，仅仅了解不同的模型是不够的，而且人们应该能够比较不同的机器学习算法。我认为这本书使您更容易理解如何比较这些算法。演讲幻灯片可以在这里找到。

除了上面的出色建议之外，我想说的是，如果您有兴趣对概率和统计中的更多基本概念有所了解，那么“从算法到Z分数：统计学中的概率计算”是使用计算机进行统计的绝佳入门书。了解概率论和随机过程中最重要的初学者/中级概念。我还将第二次“统计学习入门”或“统计学习要素”（ESL）作为机器学习（ML）的入门。我认为特别是ESL很棒，但是它确实需要更多的数学知识才能深入了解ML概念，因此，如果您只对统计数据感到“还可以”，那么一旦获得更多信息，您可能就应该读一读有ML经验。

如果您为了被雇用或解决问题而对机器学习感兴趣，获取动手经验是关键。对数据科学/机器学习课程进行一些介绍。安德鲁·吴在做一个Coursera惊人介绍了机器学习在他的课程在这里。我还建议您下载一些数据集并开始使用它们。如果您还没有下载R和RStudio（我认为，R和RStudio对初学者比Python或Matlab更友好），然后在kaggle进行注册并解决他们的一些初学者问题。他们有很好的演练，可以使您基本上不了解实际发生的事情来使用ML，但是它使您了解了实际实施ML解决方案所需采取的步骤。

我个人鼓励在不真正了解ML工具做什么的情况下开始使用ML工具（使用Kaggle数据集或类似数据）；并学习一些基本概念，例如交叉验证，过度拟合，使用混淆矩阵，对模型的良好程度的不同度量等。对我而言，了解如何使用算法以及如何识别事物何时正常工作更为重要/无效，否则将无法理解算法的工作原理。