CMU 机器学习 MATLAB 脚本：10601machine_learning

实战派的机器学习书，内容比较扎实，适合你想用 Spark 来跑真实项目的场景。一上来就是各种实用代码，MLlib的用法讲得清楚，像是分类、回归、聚类这些算法怎么在 Spark 上跑，作者都直接甩例子。嗯，数学部分不会太多，偶尔提一下概念，但整体是偏工程向的。对数据工程师、AI 实习生来说，挺友好。你看着代码照着跑，一会就能起个简单模型。还有个小亮点，除了 Spark ML，它还了其他开源库，比如 XGBoost、pandas，结合使用效果更强。就像你用 pyspark 跑大数据，转身就能接 pandas 做那样，灵活得。如果你对 大数据 或 分布式机器学习感兴趣，蛮建议你一读。配合下面这几个资

这个存储库包含了Andrew Ng教授机器学习课程作业的Python版本。这门课程是最受欢迎的在线机器学习入门课程之一，为学生提供了使用Python进行编程的机会。在过去几年中，Python在机器学习领域的应用迅速增长，因此我决定将所有MATLAB/OCTAVE编程作业重新编写为Python版本，以便学生能够更轻松地使用这个生态系统。这些新的编程作业与课堂教学完美结合，无需使用MATLAB进行任何操作。

知识图谱里的关系学习，真的是个挺有意思的方向。《A Review of Relational Machine Learning for Knowledge Graph》这篇文章就把图模型怎么用在知识抽取和表示上讲得挺清楚，尤其是潜在特征模型和统计关系学习这块，得还蛮细的。你要是做推荐系统、问答系统，甚至是图谱构建，看看准没错。 文章里的图模型，不是那种可视化图表，而是基于实体关系构建的知识图谱结构。比如两个概念之间的“属于”、“包含”关系，就能抽象成边和节点。再配合嵌入技术，能自动学出隐藏的语义关系，效率高还挺稳。 对了，里面提到的Latent Feature Models，你可以理解成让模型

对于此存储库的Octave/MatLab版本，请检查项目。该存储库包含用Python实现的流行机器学习算法的示例，并在后面解释了数学原理。每种算法都有交互式的Jupyter Notebook演示，使您可以使用训练数据、算法配置并立即在浏览器中查看结果、图表和预测。在大多数情况下，解释是基于Andrew Ng的。这个仓库的目的不是为了实现机器使用第三方库“单行”，而是练从头开始执行这些算法和获得更好的每种算法背后的数学理解学习算法。这就是为什么所有算法实现都称为“自制”而不是用于生产的原因。

感谢大牛整理的机器学习资源：https://github.com/Flowerowl/Big_Data_Resources#大数据-数据挖掘

McGrawHill出版社发行的.Tom著作的机器学习经典，涵盖数据挖掘通用算法。

如果你正在学习如何用 Python 大数据，结合Apache Spark和 Python 是个不错的选择。Apache Spark 是一个强大的分布式计算框架，支持大规模数据。使用PySpark，你可以在 Python 环境下轻松进行数据、和机器学习任务，简洁的语法和丰富的生态系统像NumPy、Pandas、Matplotlib等也让开发变得更方便。通过这门课程，你不仅能掌握如何配置开发环境，还能深入了解 Spark 的核心概念，如RDD、DataFrame、Dataset，同时学习到各种机器学习算法，如回归、分类、聚类等。课程内容全面，适合在大数据领域有深入了解的开发者。嗯，配合实际项目使用

利用Matlab强大的科学计算能力与工具箱， 深入探讨了几种常用机器学习算法的实现， 包括BP神经网络、支持向量机、LVQ神经网络、粒子群优化算法以及离散Hopfield神经网络等。 通过具体的代码示例和算法流程解析，帮助读者快速掌握这些算法的基本原理和Matlab实现方法，为进一步的机器学习研究和应用奠定基础。

吴恩达矩阵学习是针对机器学习所设计的，可以帮助你更好地理解线性代数在机器学习中的应用，进而理解更复杂的机器学习概念。