Answers:
每当我与某人谈论学习更多的机器学习时,他们总是将我引向Hastie和Tibshirani撰写的《统计学习的要素》。本书的幸运之处在于可以免费在线获得(印刷版的确具有一定的吸引力,但不是必需的),它是对该主题的绝佳介绍。我还没有阅读所有内容,但是我已经阅读了很多内容,它确实帮助我更好地理解了事情。
我一直在学习的另一个资源是斯坦福机器学习课程,该课程也是在线且免费的。吴安德(Andrew Ng)在引导您完成事情方面做得很好。我发现它特别有用,因为我在实现算法方面的背景很薄弱(我是一个自学成才的程序员),它向您展示了如何在Octave中实现事物(被授予的R已经在程序包中实现了很多)。几个月前,我还在reddit统计信息中找到了这些注释,因此我会略过这些注释,然后观看视频并用自己的注释进行反思。
我的背景是统计学,我接触过机器学习概念(确实是我的一个好伙伴),但是我一直觉得自己在机器学习方面缺乏,所以我一直在尝试学习所有知识我自己多一点。值得庆幸的是,这里有大量的宝贵资源。
就获得行业或研究生院的要求而言,我没有很好的建议(事实证明我从未雇用过任何人),但我注意到商业世界似乎真的很喜欢能干事情的人。不太关心那些说你可以做的纸。
如果我是您,那么我会花一些空闲时间来对我的机器学习知识充满信心,然后在您发现机会时实施一些事情。授予您职位可能不会给您机会,但是,如果您能够实施能够为公司增加价值的东西(同时又履行其他义务),那么我无法想象有人会对您感到不满。这里的好处是,如果您发现自己在这项工作中做了一些机器学习,那么当您外出寻找一份新工作时,您可以谈论自己已经拥有的经验,这将帮助人们摆脱缺乏特定技能的局面。学位。
有很多资源,其资源非常有趣,祝您好运!
另一个想法:您可以建立一个有关机器学习学习过程的博客,或者记录空闲时间从事的一些项目。我已经完成了一个编程项目,它使您可以在闲暇时间谈论您正在从事的项目(对雇主来说看起来不错),也可以将他们定向到博客(显然保持专业) 。到目前为止,我已经派出了很多人到我笨拙的编程小博客上(最近我有点懒惰,但是我在申请工作时一直保持最新),与我交谈的每个人都印象深刻它。
除了建议您采取的其他所有其他出色建议之外,您还可以通过参加在线竞赛来弄清您的想法,请参见站点进行预测性建模竞赛
关于书籍等,您应该看一下:
关于学位,我同意@asjohnson的观点,证书的重要性不大,至少我可以针对我所从事的领域(网络上的Data Mining / ML)进行确认。但是,对于更多的“学术”领域,例如生物信息学,可能有所不同。能够证明自己是a)热情的,并且b)通过炫耀一小部分作品集(例如,在线比赛...)已经完成了实际工作(“聪明地把事情做好”)的,应该是更有效的恕我直言。
我知道这是一个老问题,但是鉴于我看到许多程序员仍然不知道如何开始的事实。
因此,我创建了“学习成为机器学习工程师的完整日常计划”资源库。
这是我从移动开发人员(自学成才,没有CS学历)到机器学习工程师的为期数月的学习计划。
我的主要目标是找到一种学习机器学习的方法,该方法主要是动手操作的,并且为初学者抽象了大部分数学。这种方法是非常规的,因为它是专为软件工程师设计的自上而下且结果优先的方法。
请随时作出自己的贡献,以使自己变得更好。