funs学的课程可以在电视上进行学习吗？
点击联系发帖人
时间：2017-09-25 22:12
广播电视新闻学课程网站
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
?本课程校内发展的主要历史沿革
&&&&上海大学影视学院广播电视新闻学专业及广播电视编导专业已有十五年历史，建立以来即开设了广播电视新闻学、广播电视概论、纪录片与专题片等课程。学校非常重视广播电视新闻学专业的发展，持续多年投入，特别是随着近年来的人才引进，已聚集了一支较强的专业教师队伍。本课程负责人吴信训教授1987年从日本留学回国后，将发达国家的先进经验与我国实际相结合，从事该门课程的教学至今。学院还建设了处于国内兄弟院校前列的比较完善的实验设备系统及比较丰富的音像资料，包括全数字化以及高清晰度电视在内的实验系统。同时，广播电视新闻学专业还从成立发展之初，就努力与上海广播电视业界建立了密切的友好合作关系，始终得到上海广播电视业界的鼎力支持，形成了共建互利的良好办学格局。本专业能自觉适应社会的需要，与时俱进，不断深化教学改革，加强师资建设，优化课程结构，注重对学生创新能力的培养。在教学中认真抓好四个重视：重视前沿科学在课程中的比重；重视理论与实践技能培养的结合；重视第二课堂教学与社会实践基地的建设；重视任课教师教学质量的评估。学生在校期间，就已在教师指导下参加了新闻传播实践活动与科研活动，不少新闻作品获得新闻单位的好评，产生了一定的社会影响，有些作品还获得省部级奖励。本专业学生已树立起自强不息、创优争先的优良学风。所以，本课程已经不是在一个孤立的环境中，仅仅是作为一门孤立的课程实施教学科研，而是在一个理论与实践条件、氛围都有着宽广平台的基础上进行，从而能够顺利实现作为广播电视新闻学专业主干专业课程的教学目标与效果，受到学生的欢迎，受到国内外兄弟院校同行和用人单位的广泛好评。本专业和本课程通过多年的教学活动，也初步摸索到了以工科为背景的综合大学开展新闻传播学教学的经验。 广播电视新闻学专业除每年秋季正常招生外，近年来，还根据市教委的安排，相继有4年春季招生。迄今已培养本科毕业生11届（含2届春季生），约620人。毕业生受到社会普遍欢迎，就业率每年均在99％以上。相当一部分毕业生已成为骨干。
?理论课和理论（含实践）课教学内容
&&&定位与课程目标
&& 上海大学影视学院一开始就明确了特色鲜明的学定位：建设为与上海国际大都市地位相适应，与上海影视和传播文化发展需要相适应的高层次人才培养和研究基地之一，成为学科特色鲜明，社会声誉良好的教学研究型影视传播学院。本课程作为广播电视新闻学专业的主干专业课程，旨在从理论与实践的结合上，培养学生具备高度的社会责任感、高度的广播电视新闻敏感，以及善于运用和发挥广播电视的特有技术和艺术表现手段，传播好新闻的能力。
&&& 知识模块顺序及对应的学时
& （说明：因上海大学实行的是短学期制，每学期课堂教学为40个学时。安排如下，另安排第二课堂实践教学约80课时。参见“实践教学的设计思想与效果”。）
& ①广播电视新闻原理论（广播电视新闻特性与现代社会发展）：? 4学时
& ②广播电视新闻体裁论：广播电视新闻消息／广播电视深度报道／广播电视新闻解说与评论／广播电视现场报道／电视纪录片与专题片??? 12学时
& ③广播电视新闻类别论：
广播电视时政新闻／广播电视经济新闻／广播电视民生新闻／广播电视法制新闻／广播电视文化新闻／广播电视体育新闻／广播电视军事新闻???
& ④广播电视新闻表现论：广播电视新闻的采访、摄录、制作、编播? 8学时（课外实验24学时）
& ⑤广播电视新闻管理论：??? 4学时
& 课程的重点、难点及解决办法
& 课程的重点：在②、③、④。
& 难点：在对各类新闻类别题材选取的准确、敏锐把握，以及正确把握各类新闻题材的特征，并能熟练运用采访、摄录、制作技能，完成能为受众喜闻乐见的新闻节目。& 解决办法：第一课堂与第二课堂高度结合。在第一课堂，即以讲授为主的课堂，充分运用案例法，培养学生的理性分析鉴赏能力与新闻敏感力；在第二课堂，通过教师命题与学生自由选题的方式，让学生结合课程进度，在实践中锻炼新闻敏感力与表现能力。同时也锻炼了学生抓紧利用课外时间主动创新学习实验的能力和自觉性。
&&& 实践教学的设计思想与效果
&& 一、1、自选题材，拍一条上海大学校园电视新闻。然后在课堂进行典型评讲。（第3周）。
2、自选题材，拍一条上海电视新闻。然后在课堂进行典型评讲。（第4周）。
&& 3、限时限地（比如在南京路）任学生自主选择题材、主题拍一条电视新闻，然后在课堂进行典型评讲。（第7周）。
&& 二、1、在本课程电子教案的优秀电视新闻范例中，任选一条，写一篇评价短文（字
数500－1000字）（第5周）
&& 2、就最近各家电视台播出的电视新闻中，任选一条，写一篇评价短文（字
数500－1000字）（第6周）
&& 3、针对当前的电视新闻现象，自拟题目，写一篇小论文（字数字）（第8周）
&& 实践证明，上述实践教学设计可以取得显著的效果。请参见课程网站中《南京路上一堂课》以及学生实践课作品范例及其心得体会。
&&&本课程使用教师自编教材，2006年版新编教材由复旦大学出版社出版（该教材被评为2007年被评为“十一五”国家级规划教材）。同时提供国内外著名院校的相关教材供学生参考。
&& 本课程所在的影视学院拥有完善的实验设备确保学生开展实践，同时还有良好的网络教学环境，以及自主创新的数字化网络视频电视台作为师生的实验平台（参见http://www.），能够实现本课程的教学设想。
?教学方法与教学手段
&&&一、课堂讲授：除理论讲授外，运用多媒体穿插案例观赏分析、讨论。
&&&二、第二课堂教学：通过不同的课题设置，培养学生实际采摄电视新闻，以及分析国内国际电视新闻传播的前沿动向的能力。签到成功!您今天第{todayrank}个签到，签到排名竞争激烈，记得每天都来签到哦！签到日记2013-06已连续签到:{constant}天，累计签到:{days}天
粉丝圈焦点
推荐粉丝圈
小米电视，小米盒子用户聚居地
爱乐视超级电视，爱乐视盒子，乐迷一起来，交流使用心得
我们热爱搞机（基）
天敏D6四核机顶盒的用户们一起来加呀~~
电视家浏览器的用户们交朋友的地方
电视家的忠实用户们一起讨论，交流的地方
Nibiru游戏是为智能移动终端、智能电视以及智能机顶盒提供外设类游戏的软件平台，以正版游戏、多屏互动、外设支撑为特色，为玩家提供已经适配NIBIRU外设的游戏列表，让用户方便、快速的连接和使用外设，提升游戏的用户体验。
兔子视频fans的家，你可以在这里发现新鲜有趣的内容，结识同好。
一个方便大家交流，分享智能电视玩法的交流群，不定时的发布产家活动信息的小组织。非官方，纯爱好！
吃麻辣烫送辣条
狐云ROM是智能电视、智能盒子而生的民间ROM团队，不求最专业的ROM，只为更好的体验。有国内外知名达人加入队伍，我们只做自己擅长的事情，为用户提供安全、简单、易用的ROM。狐云ROM目标：让所有的智能盒子、智能电视都使用流畅可以看上直播与点播。
美如画的用户一起交流使用心得，分享固件、软件等资源...
优酷神秘新品盒子，大家一起来猜猜猜
海信智能电视交流QQ群【 】
这里是海信智能电视纯民间圈，这有辩论、投票、玩机教程、有问题解决方案、有大量固件可下载等，如果你喜欢研究它或遇到问题，欢迎来交流问题和分享经验，群内发言请注意：不能刷屏，礼貌交流！&&描述问题尽量说清环境、设备型号、之前操作、拍照片等。未尽事项请查及时关注群须知和群公告内容。
乐视盒子破解
创维智能电视已有相当的用户， 共同来研讨开发应用。
粉丝圈分类
创建粉丝圈步骤
创建粉丝圈创建自己的地盘
个性设置精心打造粉丝圈空间
邀请好友邀请好友加入我的粉丝圈
粉丝圈升级粉丝圈积分升级赢得社区推荐
粉丝圈积分排行
应用推荐 /4
直播：电视家直播就是高清！
点播：爱奇艺优酷搜狐乐视！
美女：性感清纯衣服就是少！
智能：遥控电视瞬间变电脑！
全新改版，更多赛事看不停
空间清理功能，一键清理垃圾
专属频道聚合页，查找更方便
丰富正版内容、高清流畅体验
优酷TV版最新版，下载即可观看
海量高清免费电影、电视剧片源，
拥有业界最丰富的节目资源，
舒适休闲的视频观看体验。
画面清晰 播放流畅 界面友好；
最新电影、3D大片、电视剧；
最全独家动漫、1080P高清；
海量综艺娱乐内容，免费观看。2016年春季现代远程学习概论满分作业_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
2016年春季现代远程学习概论满分作业
&&希望能帮助到大家。
阅读已结束，下载文档到电脑
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢&img src=&/50/v2-de223a2ad8d980dd74b43e3aec688862_b.jpg& data-rawwidth=&1345& data-rawheight=&618& class=&origin_image zh-lightbox-thumb& width=&1345& data-original=&/50/v2-de223a2ad8d980dd74b43e3aec688862_r.jpg&&&p&机器之心整理&/p&&p&参与：机器之心编辑部&/p&&blockquote&机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上手的可行方法及学习资源的分类汇总，机器之心在其基础上做了增益，希望对读者有所帮助。&/blockquote&&p&先决条件&br&机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用 UML、ORM、设计模式及其他软件工程工具／技术，那么请闭眼一秒钟，忘掉一切。这并不是说这些概念不重要，绝不是！但是机器学习需要一种不同的方法。如今 Python 如此流行的原因之一是其「原型设计速度」。在机器学习中，一种使用几行代码即可建模算法的语言绝对是必要的。&/p&&p&微积分、线性代数、概率论在机器学习几乎所有算法中不可或缺。如果你的数学背景很扎实，请跳过这一章节。如若不然，那么重新温习一下这些重要概念也不错。考虑到理论的数量，我并不建议大家从大部头开始。尽管一开始可以用它查询具体概念，但是初学者先关注简单的话题比较好。网上有很多好的在线资源（比如 Coursera、可汗学院或优达学城），实用且适合各种背景的人群。但是我建议从提纲之类的简明书籍上手，其中所有核心概念均被涉及，次要概念可在需要的时候自行查询。这种方法虽然不够系统，但却避免了这样的缺陷：大量晦涩概念使得没有扎实理论背景的人望而却步。&/p&&p&初学者最好先学习下列内容：&/p&&p&概率论&/p&&ul&&li&离散型和连续型随机变量&/li&&li&主要分布（伯努利分布、二项式分布、正态分布、 指数分布、 泊松分布、Beta 和 Gamma 分布）&/li&&li&矩估计和最大似然估计&/li&&li&贝叶斯统计&/li&&li&相关性系数和协方差（Correlation and Covariance）&/li&&/ul&&p&线性代数&/p&&ul&&li&向量和矩阵&/li&&li&矩阵的行列式&/li&&li&特征向量和特征值&/li&&li&矩阵分解（如 SVD）&/li&&/ul&&p&微积分&/p&&ul&&li&极限与导数&/li&&li&微分和积分&/li&&li&数值计算与最优化方法&/li&&/ul&&p&网上有很多免费资源，比如&/p&&ul&&li&《概率论入门》，Grinstead、Snell 著（&a href=&/?target=https%3A//www.dartmouth.edu/%7Echance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&dartmouth.edu/~chance/t&/span&&span class=&invisible&&eaching_aids/books_articles/probability_book/amsbook.mac.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《线性代数入门》，Wise、Gallagher 著（&a href=&/?target=http%3A//www.stat.columbia.edu/%7Eliam/teaching/4315-spr06/LinAlg.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&stat.columbia.edu/~liam&/span&&span class=&invisible&&/teaching/4315-spr06/LinAlg.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《微积分入门》，Heinbockel 著（&a href=&/?target=http%3A//www.math.odu.edu/%7Ejhh/Volume-1.PDF& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&math.odu.edu/~jhh/Volum&/span&&span class=&invisible&&e-1.PDF&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&/ul&&p&维基百科上也有很多好资源，对方程、定理等进行了清晰易懂的解释。&/p&&p&机器之心也介绍过许多数学基础与概念：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D5ec882af34cc%26chksm%3D871b28a4b06ca1b2ffa71d2dbacffdecc2c2a2f3e02ecscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&基础入门：深度学习矩阵运算的概念和代码实现&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D0c57ba70ec4ab61c996d44%26chksm%3D871b1ecfb06c97dd3e74a2b8c41254f0efc2dd88d2e89eec3bfac5da089f28c398%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&想了解概率图模型？你要先理解图论的基本定义与形式&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D2a4cf2be611cb32da5d245cbchksm%3D871b2e21b06cae2eddfba9b6b232efcd31a1f191eafd7%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度神经网络中的数学，对你来说会不会太难？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3D947ac4fb6765797bac76ae6c6c395c14%26chksm%3D871b28d6b06ca1c02db2790f5dae76a27c45e06edfbeffa9b99e08fde%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Reddit 热门话题：如何阅读并理解论文中的数学内容？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&机器学习主要需要的数学基础就是微积分、线性代数、概率论，我们感觉只需要掌握大学中常见的高数、线性代数、概率论与数理统计三门课程，基本上概念的理解就没什么问题了。如果再学一点数值计算和最优化等，我们基本上就能理解机器学习的学习过程推导。&/p&&p&机器学习方法建议（面向初学者）&/p&&p&特征工程&/p&&p&开始机器学习的第一步是理解如何评估和改进数据集的质量。管理特征的类别和缺失、归一化和降维（PCA、ICA、NMF）是大幅提高算法性能的基本技术，而且还有助于研究如何将数据集分割成训练集和测试集、如何采取交叉验证来取代传统的测试方法。&/p&&p&机器之心也曾详解过特征工程如 PCA 降维算法的详细理论与推导，当然我们还介绍了其它有关特征的概念：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dfabfchksm%3D871b2d6db06ca47b9b8eaf7e755a5e49e55f9b7dfa9fcae77f565%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从特征分解到协方差矩阵：详细剖析和实现PCA算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D8b9e10a0c%26chksm%3D871b2e7eb06ca7681edd3243adeb83c94b323f903aa925e3a7b8a53a17bb7e69238a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&基于TensorFlow理解三大降维技术：PCA、t-SNE 和自编码器&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3Dcf78cd60c5df87bb20a1ed59%26chksm%3D871b2f5db06ca64b94a89bcfcd43a79fdaf045a94a00feabe54f0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&似乎没区别，但你混淆过验证集和测试集吗？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&Numpy：Python 数值计算之王！&/p&&p&使用 Python 时，Numpy 不仅仅是一个库。它是几乎所有机器学习实现的基础，因此了解它的工作原理、关注向量化和广播（broadcasting）是非常必要的。这些技术可以帮助加速大多数算法的学习过程，利用多线程和 SIMD、MIMD 架构的力量。&/p&&p&官方文档已经很完整了，不过，我还建议大家看一下以下资源：&/p&&ul&&li&《Python 数据科学手册：数据使用的核心工具》，VanderPlas J. 著&/li&&li&《Python 科学编程入门书》，LangTangen P. H. 著&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D8aac55a04ca9aabd774c8b813ea50494%26chksm%3D871b288cb06ca19a424d929d32fd54e462dc62d3a25fafscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&维度、广播操作与可视化：如何高效使用TensorFlow&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&数据可视化&/p&&p&Matplotlib 即使不是纯粹的机器学习话题，了解如何可视化数据集也很重要。Matplotlib 可能是最广泛使用的解决方案：Matplotlib 易用，允许绘制不同种类的图表。Bokeh 和 Seaborne 提供了有趣的替代方案。不必要彻底了解所有包，但是了解每一个包的优点和弱点还是很有用的，可以帮助你选择合适的包。&/p&&p&了解 Matplotlib 细节的资源：《掌握 Matplotlib》，McGreggor D. 著&/p&&p&线性回归&/p&&p&线性回归是最简单的模型之一，可以把它作为一个优化问题来研究，该问题可通过最小化均方误差而得到求解。该方法虽然有效，但是限制了可利用的可能性。我建议还可以把它当作贝叶斯问题，使用之前的可能性展示参数（比如，高斯分布），优化变成了最大似然估计（Maximum Likelihood Estimation，MLE）。即使这看起来更加复杂，但该方法提供了一个可供几十个其他复杂模型共享的新方法。&/p&&p&Coursera 上介绍贝叶斯统计的课程：&/p&&ul&&li&《贝叶斯统计：从概念到数据分析》（&a href=&/?target=https%3A//www.coursera.org/learn/bayesian-statistics/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/baye&/span&&span class=&invisible&&sian-statistics/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《贝叶斯统计：技术与模型》（&a href=&/?target=https%3A//www.coursera.org/learn/mcmc-bayesian-statistics& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mcmc&/span&&span class=&invisible&&-bayesian-statistics&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&/ul&&p&以及这两本书：&/p&&ul&&li&《思考贝叶斯》，Downey B. A. 著&/li&&li&《黑客的贝叶斯方法》Davidson-Pilon C. 著&/li&&/ul&&p&包括线性回归在内，机器之心曾介绍了一些解决回归问题的方法（后文提供了 CART 算法进行回归分析）：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dc26b56e320e8abab053ad24bd73e52b6%26chksm%3D871b24b0b06cada6da34fd3a0240acbcbd9bebbscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&初学TensorFlow机器学习：如何实现线性回归？&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7b5efae26f862b286cfc462eae133c75%26chksm%3D871b25e0b06cacf68cf70b171e63fabee5bb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现）&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&线性分类&/p&&p&通常情况下，Logistic 回归是最佳起始点，也是研究信息论进而了解信息熵、交叉熵和互信息的好机会。类别交叉熵（Categorical cross-entropy）是深度学习分类中最稳定、使用最广泛的代价函数，一个简单的 logistic 回归可以展示它是如何加速学习过程的（与均方差相比）。另一个重要的话题是正则化（Ridge、Lasso 和 ElasticNet）。很多情况下，人们认为它是一种提高模型准确率的深奥方式，但是它的真实意义是更准确，在具体实例的帮助下变得易于理解。我还建议刚开始的时候，把 logistic 回归当作一个简单的神经网络，可视化（以 2D 实例为例）权重向量在学习过程中的移动轨迹。&/p&&p&我还建议本节应包括超参数网格搜索。网格搜索不在没有完整了解的情况下尝试不同的值，而是评估不同的超参数集的性能。因此，工程师可以将注意力集中在可达到最高准确率的组合上。当然还有更加强大的贝叶斯优化方法，即利用先验知识逼近未知目标函数的后验分布从而调节超参数的方法。&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D557c6978fa2cdf1afedbf7%26chksm%3D871b2a73b06cabb49feffaea1ac5aabaca34a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从头开始：用Python实现带随机梯度下降的Logistic回归&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D842cdf4afb9c1c6c8b0fa935b576ff41%26chksm%3D871b55bee87dcd09faef6b89088acfccd8aa10a404ad572e63ded%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何通过牛顿法解决Logistic回归问题&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D5da6789719cdc3785cae%26chksm%3D871b29c5b06ca0d3e09f00691c0eff7f9c64fd9ef08266a78eedf19b8fc0d739%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&拟合目标函数后验分布的调参利器：贝叶斯优化&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&支持向量机（SVM）&/p&&p&支持向量机提供了不同的分类方法（包括线性和非线性方法）。该算法非常简单，具备基础几何知识的人也可以学会。不过，了解核支持向量机的工作原理非常有用，因为它会在线性方法失败的时候展示出其真正实力。&/p&&p&一些有用的免费资源：&/p&&ul&&li&《支持向量机简明教程》，Law 著&/li&&li&核函数方法，维基百科词条&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Ddadc2ac166249dbb77ae87%26chksm%3D871b23f4b06caae2c1eaf4c2b81af316bb194d153d3bcb8fafb768bd04daba2efd95%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&详解支持向量机SVM：快速可靠的分类算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D328ba8aadbc6%26chksm%3D871bf155faf0f1e6d6a62f9d014bcaa85f57abc9f0f9ff0ab0ac608b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&详解支持向量机（附学习资源）&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&决策树&/p&&p&决策树提供了另一种分类和回归的方法。通常，它们不是解决复杂问题的首选，但它们提供了完全不同的方法，即使是非技术人员也可以很容易理解，该方法还可以在会议或演示中可视化。&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dcfafe08ac3ccddd%26chksm%3D871bad6279bccdaa9bca%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&教程 | 从头开始：用Python实现决策树算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7d78fbddbd79cb864e12%26chksm%3D871b2fb1b06ca6a7dbc4f8f057f17e737d7dbc7d7ced78a2e12dcefcddscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从决策树到随机森林：树型算法的原理与实现&i class=&icon-external&&&/i&&/a& &/li&&/ul&&p&集成学习一览&/p&&p&在理解了决策树的动态特性以后，研究集成训练树的集（集成）来提高整体准确率的方法很有用。随机森林、梯度树提升和 AdaBoost 都是强大的算法，且复杂度较低。对比简单的树和提升方法与 bagging 方法采用的树的学习过程挺有趣的。Scikit-Learn 提供了最常见的实现方法，但是如果你想更好地驾驭这些方法，我还是建议你在 XGBoost 上多花些时间，XGBoost 是一个既适用于 CPU 又适用于 GPU 的分布式框架，即使在较大的数据集上也能加速学习过程。&/p&&ul&&li&&a href=&/?target=http%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Dde70c939d704f3fchksm%3D871b2a80b06ca396e3a71fdfdfef9e818ca337c6e1cd14b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从Boosting到Stacking，概览集成学习的方法与性能&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&聚类&/p&&p&当开始聚类方法的学习时，我的建议是从高斯混合算法（基于期望最大化/EM）学起。虽然 K-均值聚类要更加简单易懂（也是必须要学习的），但是高斯混合算法为我们提供了纯粹的贝叶斯方法，在其他类似任务中也十分实用。其它必学的算法还有层次聚类（Hierarchical Clustering）、谱聚类（Spectral Clustering）和 DBSCAN。这对你了解基于实例的学习或研究 K-近邻算法（既适用于有监督又适用于无监督任务）也是有帮助的。谱聚类的一个有用的免费资源是：&/p&&ul&&li&《谱聚类教程》，Von Luxburg U 著&/li&&/ul&&p&聚类算法是无监督学习中的代表，机器之心也曾详细地介绍过各种聚类方法与实现：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Ddb7b6f92466bdf146ac9bc%26chksm%3D871b1ea8b06c97beec50c7ac984bdab44bd11cfa411fab0e%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器理解大数据的秘密：聚类算法深度详解&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dd7bdbffa22e553ad47f0233a%26chksm%3D871b2fc0b06ca6d6a3ff662ea3a7e5fcd35d989b90e%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&综述分类、聚类和信息提取算法在文本挖掘领域内的应用&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D7df9c0cb6abddb724e7e589ad5d0ea96%26chksm%3D871b2c98b06ca58ec4bbe31c68edbff446%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何用Python和机器学习炒股赚钱？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&神经网络入门&/p&&p&神经网络是深度学习的基础，你可以在单独的课程中学习神经网络。但是，我认为理解感知机、多层感知机以及反向传播算法的概念也很有帮助。Scikit-Learn 提供了一个实现神经网络的简单方法，但是，开始探索 Keras 也是一个好主意，Keras 是一个基于 Tensorflow、Theano 或 CNTK 的高级架构，允许使用最少的努力对神经网络进行建模和训练。开始神经网络学习的一些好资源：&/p&&ul&&li&《人工神经网络基础》Hassoun M 著&/li&&li&《Keras 深度学习》Gulli A.、 Pal S. 著&/li&&/ul&&p&目前最好的深度学习书籍可能就是：&/p&&ul&&li&《深度学习》，Goodfellow I.、 Bengio Y.、Courville A. 著&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D4b6fba618d2aead27306%26chksm%3D871b34f4b06cbde2e0af7a8ffbd35792dd3eaa719e94de67a581b906%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最全的DNN概述论文：详解前馈、卷积和循环神经网络技术&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D1ac201e15b43339efab9%26chksm%3D871b2b51b06ca247ac1fdc939e39cfc44cbc2ee25e1b105cf9a582395ddbcdd43cfe18fecd40%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器之心GitHub项目：从零开始用TensorFlow搭建卷积神经网络&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbd8bbf9ead95fd%26chksm%3D871b1e0ab06c971c0bf6accb6f9d108d42f01%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度神经网络全面概述：从基本概念到实际模型和硬件基础&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D8f78edc716bbdf62a93298%26chksm%3D871b2f3bb06ca62d60632da0faebbee1934ebec300dc4bbace4b5e6f79daaeed%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练的神经网络不工作？一文带你跨过这37个坑&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Da5e37e1d653bbcce3920%26chksm%3D871b2fc0b06ca6dc5ae3dfde3fd3bfdbb7b09fb9b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow从基础到实战：一步步教你创建交通标志分类神经网络&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dd427fbed31d%26chksm%3D871b0d88b06c849eed54e5febbbc04c48c034%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络快速入门：什么是多层感知器和反向传播？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D7c6db64c4b865b304a94e%26chksm%3D871b2ab3b06ca3a55d4dd6f3fddd6f93be392ffe1c2a5%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&教程 | 如何用30行JavaScript代码编写神经网络异或运算器&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3D274c6be3b4%26chksm%3D871b2be7b06ca2f198d34f526b7dc5b50ee4ece24f820b52c86d183d42c2a469c3%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络调试手册：从数据集与神经网络说起&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Deb2e1fe80f890e59bdefb7%26chksm%3D871b22feb06cabec52efdfb93ddf89f9b0b1a496a5e7a45b6%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络基础：七种网络单元，四种层连接方式&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3Dbedfceccefe1%26chksm%3D871b1a93b06cc5ed362ebb8b4b6d321e9bc7132bd24cb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何从信号分析角度理解卷积神经网络的复杂机制？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dca1bfc37deae%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络架构演进史：全面回顾从LeNet5到ENet十余种架构（附论文）&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D9f5d969b3f9eac2aedc95%26chksm%3D871b18cdb06c91db52ace594dcfd8ff1dcd952dd8dcfaeb95415cb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工解读神经网络历史，三篇论文剖析基础理论&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&最后，我们将介绍部分机器之心曾发过的综述性技术文章或论文，并希望这些文章能对大家全面理解各种方法有所帮助：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dedd5cf01d2be07b435eb312%26chksm%3D871b19d5b06c90c366c2a873ca1156ae61cef284c52c6bbfbb8a0f%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&自动驾驶计算机视觉研究综述：难题、数据集与前沿成果&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D6faa5fd55fc39dchksm%3D871b1ddfb06c94c9e11d3afce06a4e021fcd8eaab858c7f08ab9c939c4ad130e4b2%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文帮你发现各种出色的GAN变体&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D9d1ba02a410e409echksm%3D871b15a8b06c9cbe00ac088a504de0bab859e4ebfbc43%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度强化学习综述：从AlphaGo背后的力量到学习资源分享&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D3f013ab2f42624ebc9b85ba%26chksm%3D871b2bbcb06ca2aa5b43f9a7665597bbd2bee712dd5186%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从FPS到RTS，一文概述游戏人工智能中的深度学习算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Ded659a17aa2%26chksm%3D871b272cb06cae3a7e8fdbe1add87d65afcf2ed55f0eaec57aa7c9aa8%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&视觉问答全景概述：从数据集到技术方法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbb9e6eedba961cad5ef379e1%26chksm%3D871b2496b06cad80a12b178e7ca24eb2aa2f13bf2ec45%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经风格迁移研究概述：从当前研究到未来方向&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D1f2e64ae2baefd82fd6dcac86d2cc77e%26chksm%3D871b07fdc335b8f79f0c15ccad93d3c9a899c0b097%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从语言学到深度学习NLP，一文概述自然语言处理&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D0d5e47e071c346eb4a485980deee5744%26chksm%3D871b1dbeb06c94a81b74afcde32d759bbd6cf53fbe2a9badaed44c5f05%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&迁移学习全面概述：从基本概念到相关研究&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D5%26sn%3D2c36cca9b5d26f52a0ccdeda1f848e8f%26chksm%3D871b2f98b06ca68e2a09d7e807b0dffcd0ebba0d39de4d3f1%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文综述所有用于推荐系统的深度学习方法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7d68cc7a009dafd983ee9c63%26chksm%3D871b6eaf8236cdeb8a3e56ca72ad45a7c2c06cbddecf%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文读懂遗传算法工作原理（附Python实现）&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D784d7a9e7bc2f4c66d6a8%26chksm%3D871b1ba8b06c92be00d52e5fd891bad281f07baa381bee%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从自编码器到生成对抗网络：一文纵览无监督学习研究现状&i class=&icon-external&&&/i&&/a& &/li&&/ul&&p&&/p&&p&&/p&&p&&/p&
机器之心整理参与：机器之心编辑部机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上…
&img src=&/50/v2-bf6dc9d743afe775b26e34_b.jpg& data-rawwidth=&1920& data-rawheight=&1200& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&/50/v2-bf6dc9d743afe775b26e34_r.jpg&&&p&选自arXiv&/p&&p&机器之心编译&/p&&p&参与：Panda、蒋思源、黄小天&/p&&p&&br&&/p&&blockquote&人工智能技术已经成为当前技术变革的主要推动力之一，从计算机科学到工程学等许多科学技术领域都在竭尽全力想用自动化的方法创造更大的价值。要想做到这一点，工程师当然必须要对当前最具潜力的机器学习方法有一个大致了解。伦敦国王学院信息学习教授 Osvaldo Simeone 近日在 arXiv 上公开发布了长达 200 页的最新专著，为工程师提供了全面细致的机器学习入门介绍。在本文中，机器之心对这本专著的摘要及目录部分进行了介绍。专著原文可在 arXiv 下载，工程师和准工程师一定不要错过。&/blockquote&&p&为工程师写的机器学习简介（A Brief Introduction to Machine Learning for Engineers）&/p&&img src=&/50/v2-6988c0baf9cbe0f758894_b.jpg& data-rawwidth=&640& data-rawheight=&325& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/50/v2-6988c0baf9cbe0f758894_r.jpg&&&p&&br&&/p&&p&专著地址：&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&摘要&/p&&p&本专著的目标是介绍机器学习领域内的关键概念、算法和理论框架，涵盖了监督学习与无监督学习、统计学习理论、概率图模型和近似推断等方向。本专著的目标读者是具有概率学和线性代数背景的电气工程师。本书基于第一原理（first principle）写作，并按照有清晰定义的分类方式对其中的主要思想进行了组织，其中的类别包含鉴别式模型和生成式模型、频率论者和贝叶斯方法、准确推断和近似推断、有向模型和无向模型、凸优化和非凸优化。本书中的数学框架使用了信息论的描述方式，以便工具具有统一性。书中提供了简单且可重复的数值示例，以便读者了解相关的关键动机和结论。本专著的目的并不是要为每个特定类别中已有的大量解决方案提供详尽的细节描述（这些描述读者可参阅教科书和论文了解），而是为了给工程师提供一个切入点，以便他们能借此进一步深入机器学习相关文献。&/p&&p&1 引言&/p&&p&1.1 机器学习&/p&&p&1.2 目标和纲要&/p&&p&&br&&/p&&p&2 线性回归入门介绍&/p&&p&2.1 监督学习&/p&&p&2.2 推断&/p&&p&2.3 频率论者&/p&&p&2.4 贝叶斯方法&/p&&p&2.5 最小描述长度（MDL）&/p&&p&2.6 解释与因果关系&/p&&p&2.7 信息论指标&/p&&p&2.8 总结&/p&&p&&br&&/p&&p&3 概率学习模型&/p&&p&3.1 指数分布族&/p&&p&3.2 最大熵性质&/p&&p&3.3 频率学习（Frequentist Learning）&/p&&p&3.4 贝叶斯学习&/p&&p&3.5 基于能量的模型（Energy-based Models）&/p&&p&3.6 通过广义线性模型（GLM）的监督学习&/p&&p&3.7 总结&/p&&p&&br&&/p&&p&4 分类&/p&&p&4.1 将分类作为监督学习问题&/p&&p&4.2 随机梯度下降&/p&&p&4.3 判别式确定性模型&/p&&p&4.4 判别式概率模型&/p&&p&4.5 生成式概率模型&/p&&p&4.6 多类别分类&/p&&p&4.7 非线性判别式模型：深度神经网络&/p&&p&4.8 Boosting&/p&&p&4.9 总结&/p&&p&&br&&/p&&p&5 统计学习理论&/p&&p&5.1 监督学习的一种形式框架&/p&&p&5.2 PAC 可学习性和样本复杂性&/p&&p&5.3 有限假设类别的 PAC 可学习性&/p&&p&5.4 VC 维和 PAC 学习的基本定理&/p&&p&5.5 总结&/p&&p&&br&&/p&&p&6 无监督学习&/p&&p&6.1 无监督学习&/p&&p&6.2 K-均值聚类&/p&&p&6.3 ML、ELBO 和 EM&/p&&p&6.4 有向生成模型&/p&&p&6.5 无向生成模型&/p&&p&6.6 判别式模型&/p&&p&6.7 自编码器&/p&&p&6.8 Ranking &/p&&p&6.9 总结&/p&&p&&br&&/p&&p&7 概率图模型&/p&&p&7.1 介绍&/p&&p&7.2 贝叶斯网络&/p&&p&7.3 马尔可夫随机场&/p&&p&7.4 概率图模型中的贝叶斯推断&/p&&p&7.5 总结&/p&&p&&br&&/p&&p&8 近似推断和学习&/p&&p&8.1 蒙特卡罗方法&/p&&p&8.2 变分推断&/p&&p&8.3 基于蒙特卡罗的变分推断&/p&&p&8.4 近似学习&/p&&p&8.5 总结&/p&&p&&br&&/p&&p&9 结语&/p&&p&&br&&/p&&p&附录&/p&&p&&br&&/p&&p&A 附录 A：信息度量&/p&&p&A.1 熵&/p&&p&A.2 条件熵和互信息&/p&&p&A.3 散度度量&/p&&p&B 附录 B：KL 散度和指数分布族&/p&&p&&br&&/p&&p&致谢&/p&&p&&br&&/p&&p&参考文献&/p&&p&&br&&/p&&p&介绍&/p&&p&当我在教授机器学习课程时，有着工程学背景的同事和学生经常问及：如何更好地入门机器学习。我通常会以书籍推荐的形式回应——一般但稍微过时的介绍，请读这本书；对于基于概率模型方法的详细调查，请查看这些索引；如果想要了解统计学习，我觉得这篇文章很有用；如此等等。结果证明这些回答无法使我与提问者满意。书籍很多很厚，使得繁忙的工程学教授和学生望而却步。因此我首次撰写了这篇专论，一篇基础且体量适当的入门书，其中通过简单的术语面向工程师统一介绍了机器学习主要思想和原理，同时涵盖了其最新发展和文献指导，以供进一步研究。&/p&&p&第二章，线性回归入门介绍&/p&&p&第二章我们回顾了三个核心的学习框架，即频率论者（frequentist）、贝叶斯和 MDL。频率论者为数据假定了真实、未知分布的存在，并致力于学习一个预测器（predictor），从而更好地泛化来自这一分布的不可见数据。这可通过学习一个插入最优预测器表达式的概率模型或者直接解决预测变量上的 ERM 问题而完成。贝叶斯方法输出一个预测分布，可通过解决计算不可见标签上后验分布的推断问题而整合先验信息与数据。最后，MDL 方法旨在筛选一个模型，允许使用最少的比特描述数据，因此去除在未观察实例上泛化的任务。本章也广泛讨论了过拟合的关键问题，展示了学习算法的性能可就偏差和评估错误获得理解。运行实例是用于高斯模型的线形回归中的一个。下一章将会介绍更多学习构建和学习常见概率模型的工具。&/p&&p&第三章，概率学习模型&/p&&p&本章中，我们回顾了概率模型的一个重要类别——指数族，它被广泛用作学习算法的组件以完成监督、无监督学习任务。这一类别成员的关键属性是由同一家族中的梯度 LL 和共轭先验的可用性采用的简单形式。下一章我们将讲述指数族在解决分类问题方面的不同应用模型。&/p&&p&第四章，分类&/p&&p&本章扼要概述了分类的关键问题。按照第二章提出的分类系统，我们依据用来连接解释性变量与标签的模型类型划分了学习算法。尤其地，我们描述了线性与非线性的确定性判别模型，涵盖了用于多层神经网络的感知机算法、SVM、反向传播；聚焦于 GLM 的概率判别模型；包括 QDA 和 LDA 在内的概率生成模型。我们同样介绍了混合模型与提升方法（Boosting）。尽管本章聚焦在算法方面，下一章将讨论一个理论框架，研究监督学习的性能。&/p&&p&第五章，统计学习理论&/p&&p&本章描述了经典的 PAC 框架，并用它分析监督学习的泛化性能。我们知道 VC 维理论定义了模型的能力，这就意味着 VC 维在给定模型准确度和置信度上度量了其学习所需要的样本数量。在下一章中，我们将从监督学习进一步讨论无监督学习问题。&/p&&p&第六章，无监督学习&/p&&p&在本章节中，我们回顾了无监督学习的基础知识。优秀的无监督学习方法一般都通过隐变量或潜在变量帮助解释数据的结构。我们首先通过期望最大化算法（EM）回顾了机器学习及各种变体。随后介绍了机器学习生成模型 GAN，该方法使用从数据中学到的散度度量以代替 KL 散度。随后接着回顾了通过 InfoMax 原则训练的判别模型和自编码器。在下一章节中，我们通过讨论概率图模型的强大框架而扩展了对概率模型的理解。&/p&&p&第七章，概率图模型&/p&&p&概率图模型将关于数据结构的先验信息编码为因果关系的形式，即通过有向图和贝叶斯网络（BN），或通过无向图和马尔可夫随机场（MRF）编码为相互之间的依赖性关系。这种结构可以表示为条件独立性属性。概率图模型所编码的结构属性能有效地控制模型的性能，因此能以可能的偏差为代价减少过模型拟合。概率图模型也推动执行贝叶斯推断，至少在树型结构的图中是这样的。下一章将讨论贝叶斯推断和关联学习比较重要的问题，当然具体的方法对计算力的需求就太大了。&/p&&p&第八章，近似推断与学习&/p&&p&本章通过关注 MC 和 VI 方法概览了近似推断技术。并且重点关注了选择不同类型的近似准则及其所产生的影响，例如介绍 M- 和 I- 映射。同样我们还讨论了在学习问题上使用近似推断的方法。此外，我们还讨论了本章目前最优的技术进展。&/p&&p&第九章，结语&/p&&p&这一章节主要是简单介绍机器学习，尤其是强调那些统一框架下的概念。除了前文纵览机器学习的各种方法，我们在这年还提供了那些只是提到或简要描述的重要概念及其扩展方向，因此下面将提供前文没有介绍的重要概念列表。&/p&&p&隐私：在许多应用中，用于训练机器学习算法的数据集包含了很多敏感的私人信息，例如推荐系统中的个人偏好和医疗信息等等。因此确保学习的模型并不会揭露任何训练数据集中的个人记录信息就显得十分重要了。这一约束能使用差分隐私（differential privacy）概念形式化表达。保证个人数据点隐私的典型方法包括在执行 SGD 训练模型时对梯度添加随机噪声，该方法依赖于使用不同的训练数据子集混合所学习到的专家系统 [1]。&/p&&p&鲁棒性：已经有研究者表明不同的机器学习模型包含神经网络对数据集中很小的变化十分敏感，它们会对次要的、正确选择的和解释变量中的变动给出错误的响应。为了确保模型关于对抗样本具有鲁棒性，修正训练过程是具有重要实践意义的研究领域 [37]。&/p&&p&计算平台和编程框架：为了扩展机器学习应用，利用分布式计算架构和相应的标准编程框架 [9] 是十分有必要的。&/p&&p&迁移学习：针对特定任务并使用给定数据集进行训练的机器学习模型，目前如果需要应用到不同的任务还需要重新初始化和训练。迁移学习研究领域即希望将预训练模型从一个任务获得的专业知识迁移到另一个任务中。神经网络的典型解决方案规定了通用隐藏层的存在，即对不同任务训练的神经网络有一些隐藏层是相同的。&/p&&p&域适应（Domain adaptation）：在许多学习问题中，可用数据和测试数据的分布并不相同。例如在语音识别中，模型学习时所使用的用户数据和训练后其他用户使用该模型所提供的语音数据是不同的。广义 PAC 理论分析了这种情况，其将测试分布作为测试和训练的分布差异函数而获得了泛化误差边界。&/p&&p&有效通信学习（Communication-efficient learning）：在分布式计算平台上，数据通常被分配在处理器中，处理器中的通信造成了延迟与能耗。一个重要的研究问题是找到学习性能与通信成本之间的最佳折衷。&/p&&p&强化学习：强化学习是机器学习方法最近大获成功的根本核心，获得了玩视频游戏或与人类选手对决的必要技能。在强化学习中，一方想要学习世界中已观察到的状态 x 和动作 t 之间的最优映射，比如说 p(t|x, θ)。不同于监督学习，强化学习中最优动作不可知，机器会由于采取的动作而获得一个奖励／惩罚信号。其中一个流行的方法是深度强化学习，它通过神经网络建模映射 p(t|x, θ)。通过使用强化方法评估梯度并借助 SGD，这被训练从而最大化平均奖励。 &/p& &p&&/p&&p&&/p&&p&&/p&
选自arXiv机器之心编译参与：Panda、蒋思源、黄小天 人工智能技术已经成为当前技术变革的主要推动力之一，从计算机科学到工程学等许多科学技术领域都在竭尽全力想用自动化的方法创造更大的价值。要想做到这一点，工程师当然必须要对当前最具潜力的机器学习…
我不是大神。&br&背景：某二本院校大四学生；&br&说一说自己的学习经历吧。不知道能不能对题主有所帮助。&br&跟大多数人一样，是从Andrew Ng大神的coursera课程接触到机器学习。在学那门课的时候也就老老实实的看完，看到最后，听到Andrew说看完这些课程的人基本上已经超过硅谷半数的工程师了（具体不记得了，大意是说看完就屌屌的了），前一秒，我是信的，后一秒，我自问我到底会了啥，无非就知道些机器学习的名词，算法的基本思路。&br&&br&然后我该干嘛？&br&找本书来看看啊，找另外一个公开课看看啊，给脑子里那个模型增加数据量啊。&br&《统计学习方法》+台大的公开课《机器学习基石》和《机器学习技法》这个组合简直杠杠，我敢拍着胸脯说我看了4遍，第1遍是照着课程进度配合书籍一起学习，第2遍是课程完结后的复习，第3、4遍在我参加kaggle比赛的时候进行知识的回顾。&br&这个组合里面的书籍可以换成该课程对应的教材。&br&看完书籍和公开课，我发现，数学很重要！数学很重要！数学很重要！在看Ng的课时倒还没有这个感觉，看台大课程的时候明显感觉到数学知识的比重陡然增加。然后就看了MIT的线性代数公开课和微积分，这才解决了公开课里面的部分疑惑。&br&&br&理论的知识大概了解了，然后我该干嘛？&br&python大法好啊！什么C++，java啥的真复杂，直接做个调包侠多么愉快啊。二话不说，直接就学，&a href=&///?target=http%3A///wiki/095c955c1e6d8bbfac/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 2.7教程&i class=&icon-external&&&/i&&/a&,感谢廖叔叔。接下来就是热门的机器学习算法包&a href=&///?target=http%3A//scikit-learn.org/stable/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&scikit-learn: machine learning in Python&i class=&icon-external&&&/i&&/a& 。什么，算法输入要求是pandas data frame ，来一本 &a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&利用Python进行数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&。 至此，已经学会基本的数据预处理了，这些无论是书籍还是公开课都直接略过不会教的。&br&在这里要隆重推荐 周志华老师的 &a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习 (豆瓣)&i class=&icon-external&&&/i&&/a& ，目前看过的最好的中文的机器学习教材，涵盖了很多教材所没有的 数据预处理，特征工程。这书，得供起来。&br&&br&会调用算法了，然后我该干嘛？&br&机器学习？数据挖掘？这两者到底界限在哪里？要不就都看看吧，有了这个想法后，我找了cousera上UIUC 的data mining 专项课程&a href=&///?target=https%3A//www.coursera.org/specializations/datamining& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Specialization&i class=&icon-external&&&/i&&/a&来看，里面有两门课是大名鼎鼎的韩家炜教授所教的。至此，我知道了pattern mining,搜索引擎的基本框架和原理，文本挖掘和自然语言处理的一点知识，聚类分析的大概。这些课程中都会夹杂着之前所学的机器学习算法。&br&每节课课后推荐的延伸阅读文章和书籍非常值得去看一看！&br&&br&了解了一些应用，然后我该干嘛？&br&玩啊！当然是好好玩机器学习/数据挖掘比赛啊，&a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Kaggle: The Home of Data Science&i class=&icon-external&&&/i&&/a&，我把101，playground这两个级别的比赛刷了一遍，然后鼓足勇气参加了一个有奖金的比赛！最后排名状况是在1800多个队伍排300多名。&br&一开始不知道怎么去做一个kaggle比赛的时候，我照着 &a href=&///?target=https%3A//www.dataquest.io/section/kaggle-competitions& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&dataquest.io/section/ka&/span&&span class=&invisible&&ggle-competitions&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 的教程过了一遍，大概就知道整个流程。&br&偶然一次，碰到数据量特别大的比赛，数据量上G，套了一个模型上去后，直接memory error。这让我知道了大数据处理平台 &a href=&///?target=http%3A//spark.apache.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Apache Spark(TM)&i class=&icon-external&&&/i&&/a&的好用之处，也再一次证明了，学习python的好处 &a href=&///?target=http%3A//spark.apache.org/docs/latest/api/python/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Welcome to Spark Python API Docs!&i class=&icon-external&&&/i&&/a&。我在windows 10的系统上尝试着跑一个单机版的spark来玩玩，配置过程一直出错，巨麻烦。这个时候我感受到了linux的友好！（没有黑windows的意思）也因为这样，顺便学习了linux操作系统。推荐 &a href=&///?target=http%3A//linux.vbird.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&鳥哥的 Linux 私房菜 -- 鳥哥的 Linux 私房菜 首頁&i class=&icon-external&&&/i&&/a&。&br&&br&会玩了，然后我该干嘛？&br&找工作啊！我在拉勾网、100offer、哪上班和实习僧这些招聘网站找数据挖掘/机器学习的岗位，把招聘要求里面的共同需求点给标记出来。&br&&ul&&li&常见机器学习算法&/li&&li&数据库&/li&&li&java、c++、python、R&/li&&li&linux操作系统&br&&/li&&li&数据结构与算法&/li&&/ul&在知道自己的不足之处后，自然就一直在填补这些简历上面的空缺。&br&当然我觉得自己在机器学习算法方面还有很多疑惑和不了解的地方，正准备去研读下经典的PRML。&br&&br&&br&其实说了这么多，无非是想说，我是在一次次的需求和兴趣的驱动下去学习的，题主不妨仔细地思考下自己的需求，从机器学习的应用方面去找找灵感，也许会是不错的选择。&br&&br&然而我说了这么多，我学了这么些东西，我还是&b&找不到实习！找不到实习！找不到实习！投了简历倒是给我个反馈啊喂！我容易吗我！！&/b&
我不是大神。 背景：某二本院校大四学生； 说一说自己的学习经历吧。不知道能不能对题主有所帮助。 跟大多数人一样，是从Andrew Ng大神的coursera课程接触到机器学习。在学那门课的时候也就老老实实的看完，看到最后，听到Andrew说看完这些课程的人基本上已…
&p&无意中听我们院长大人说：Python是一门神奇的语言，在此之前我已经对C/C++/Java等几门语言有了一定得了解和掌握，并做过一些小项目。&/p&&p&&br&&/p&&p&学习Python大致可以分为以下几个阶段：&/p&&p&1.&/p&&p&刚上手的时候肯定是先过一遍Python最基本的知识，比如说：变量、数据结构、语法等，基础过的很快，基本上1~2周时间就能过完了，我当时是在这儿看的基础：&a href=&///?target=http%3A///python/python-intro.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 简介 | 菜鸟教程&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&2.&/p&&p&看完基础后，就是做一些小项目巩固基础，比方说：做一个终端计算器，如果实在找不到什么练手项目，可以在 &a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Codecademy - learn to code, interactively, for free&i class=&icon-external&&&/i&&/a& 上面进行练习。&/p&&p&&br&&/p&&p&3. &/p&&p&如果时间充裕的话可以买一本讲Python基础的书籍比如《Python编程》，阅读这些书籍，在巩固一遍基础的同时你会发现自己诸多没有学习到的边边角角，这一步是对自己基础知识的补充。&/p&&p&&br&&/p&&p&4.&/p&&p&Python库是Python的精华所在，可以说Python库组成并且造就了Python，Python库是Python开发者的利器，所以学习Python库就显得尤为重要：&a href=&///?target=https%3A//docs.python.org/3.5/library/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Python Standard Library&i class=&icon-external&&&/i&&/a& ，Python库很多，如果你没有时间全部看完，不妨学习一遍常用的Python库：&a href=&/p/& class=&internal&&Python常用库整理 - 知乎专栏&/a&&/p&&p&&br&&/p&&p&5.&/p&&p&Python库是开发者利器，用这些库你可以做很多很多东西，最常见的网络爬虫、自然语言处理、图像识别等等，这些领域都有很强大的Python库做支持，所以当你学了Python库之后，一定要第一时间进行练习。如何寻找自己需要的Python库呢？推荐我之前的一个回答：&a href=&/question//answer/& class=&internal&&如何找到适合需求的 Python 库?&/a&&/p&&p&&br&&/p&&p&6.&/p&&p&学习使用了这些Python库，此时的你应该是对Python十分满意，也十分激动能遇到这样的语言，就是这个时候不妨开始学习Python数据结构与算法，Python设计模式，这是你进一步学习的一个重要步骤：&a href=&///?target=https%3A///faif/python-patterns& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&faif/python-patterns&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&7.&/p&&p&当度过艰难的第六步，此时选择你要研究的方向，如果你想做后端开发，不妨研究研究Django，再往后，就是你自己自由发挥了。&/p&&p&&br&&/p&&p&---&/p&&p&画外音：收藏的大兄弟不妨点个赞呀！&/p&&p&用数据讲故事：&a href=&/people/sgai/activities& class=&internal&&路人甲 - 知乎&/a&&/p&&p&编程专栏：&a href=&/passer& class=&internal&&学习编程 - 知乎专栏&/a&&/p&
无意中听我们院长大人说：Python是一门神奇的语言，在此之前我已经对C/C++/Java等几门语言有了一定得了解和掌握，并做过一些小项目。 学习Python大致可以分为以下几个阶段：1.刚上手的时候肯定是先过一遍Python最基本的知识，比如说：变量、数据结构、语法…
&p&我考的是北大理工类专业。第一次考研失败了，惨败。第二次考研，专业课第一，英语第一，总分第一。&/p&&p&我常常会想，为什么有些人考研能成功，有些人考研却失败了？我发现人与人之间的差别很大，由于缺乏第一手资料，很难想通。即便亲身经历的这次惨败和成功，我却是几年之后才想明白成败的原因。&/p&&p&下面直接说忠告，教训，供你参考。&/p&&p&利弗莫尔，这位曾经近乎做空美国的华尔街投机之王说过：&/p&&blockquote&“在所有游戏中，&b&唯一&/b&真正需要在行动前做好准备的恰恰是&b&准备本身&/b&。有些人在用他一半的财产冒险时，用来准备的时间还没有买一辆平价汽车考虑的时间久”（《股票大作手回忆录》p99）。&/blockquote&&p&要知道利弗莫尔所说的这句话，是经历过破产的惨痛教训总结出来的。&/p&&p&在所有的准备中，心理上的准备最重要。&/p&&br&&h2&&b&1.给自己一个压倒一切的理由&/b&&/h2&&p&90%的人在考研道路上，左摇右摆，犹豫不决。时而热情满满，时而懈怠如烂泥。因此，考不上的人大多是三心二意的。&/p&&p&决心是做任何事情最难的部分。&/p&&p&决心不是空洞的，不是靠打鸡血能打出来的。&/p&&p&&b&决心来自一个明确、具体的理由。&/b&&/p&&p&&b&记住是一个理由，唯一的理由，不是许多理由。&/b&&/p&&p&&b&对于重要的事情，做或者不做，一个有力的理由已经足够。&/b&&/p&&p&&b&理由多了，只是意味着你完全没有把握住根本。&/b&&/p&&p&学业、事业、爱情，莫不如此。&/p&&p&比如我一兄弟本科北大，硕士保送本校，但高中时期的女友大学却在南方，两人长期分离两地。与许多小说不同，女生后来考上北大硕士了。在一起，就是压倒一切的理由。&/p&&p&我在大学四年糊里糊涂的走过，放纵不羁爱自由追求自己的各种兴趣，大四了才想到很想做研究。于是考研，于是失败。第一次考研失败之后的很长一段时间，我发现，只有在北大我才能做我想做的研究。认识到这一点，考研的一切，都成了必须，是唯一。不是“或许”、“大概”、“可能”、“试试看”，而是唯一，是必须。&/p&&p&如果唯一了，事情就简单多了。否则，就要面对大脑中理不清的各种混乱。&/p&&p&巴菲特要申请哈佛，是因为他要结识精英。被哈佛拒掉之后，他申请哥伦比亚大学金融系，成功了。他的目标是师从投资大师格雷厄姆。无论是哪一种，他的理由都足够清晰。&/p&&p&产生决心的理由，跟崇高无关。即便一个人仅仅是为了面子而决心做一件事，都是令人尊敬的。因为，尊严是人性的刚需，且永远不变。&/p&&p&当然，我并非建议你一定考研，有想法有魄力的人，无处不辉煌。号称亚洲电子大帝的孙正义在加州伯克利本科毕业之后立即返回日本，连毕业证都不拿，更何况读研。那是因为他有清晰的目标：成为日本第一的企业家。&/p&&p&我有个读研的兄弟非常后悔，因为他考上北航本校研究生之后才发现读研并不是自己的必需。当然，网上随便搜一搜，会找到许多读研后悔人的故事。所以，无论是否考研，要给自己一个压倒一切的理由。&/p&&p&如果没有，那么如果你成功了，说明你学习能力超强，失败了，也纯属正常。&/p&&p&如果没有，也可以走上考研之路，就当是人生的一段旅程。无论成败，都是经历，但一定记得汲取教训。&/p&&p&要知道，你的教训不是用时间换来的，而是用生命。&/p&&p&要知道，任何人汲取自己生命中的教训都绝不是容易的事情。&/p&&p&要知道，许多人即便后悔无数次直到老去，却仍然没有学会汲取教训。&/p&&p&考研之所以比高考更难是因为，高考对于绝大多数人没有选择，方向是明确的。考研是在各种可能性下面做出的选择，或者考，或者不考，而且有退路。所以容易动摇。&/p&&p&所以，如果你有一个压倒一切的考研理由，那么你已经抛却了90%的对手。赢得了90%左摇右摆中浪费的精力。&/p&&p&记得利弗莫尔这段话：&/p&&blockquote&&b&“&/b&在我分析研究了自己做交易的结症之后，我懂得了自己需要做的不是去研读股市的行情走势，而是&b&先要读懂自己&/b&。&b&一番深刻的自我剖析之后，我终于得出结论，如果我不摆脱自己的忧心忡忡，就无法做出任何有意义的事情”（《股票大作手回忆录》p145）。&/b&&/blockquote&&p&&b&人生中的许多时刻，你想兼顾，却只是作茧自缚。&/b&&/p&&p&&b&给自己一个压倒一切的理由。&/b&&/p&&p&&b&冲破一个缺口，你会看到不一样的世界。&/b&&/p&&br&&h2&&b&2.&/b& &b&知己知彼&/b&&/h2&&p&那天，一群朋友在一起，有人在黑板上出一道挺难的微积分题目，其他人都在埋头演算，有的人在黑板上写写画画面对挑战。我有一个师弟，站在远处盯着这道题目嘴唇微动，然后报了个答案。其他人笔算验证他的答案是对的。&/p&&p&我还有个师弟，考研那几天刚好感冒，到数学那科，头疼流鼻涕。他数学考了接近满分，149。&/p&&p&后面我会告诉你，他们是怎样做到的。&/p&&p&在此之前，你要明白：&/p&&p&想考一个很牛的学校，很牛的专业，说明你有雄心壮志，但要知道，你面临的是怎样的对手。&/p&&p&除了给自己一个压倒性的理由之外，你还需要做更多的准备。&/p&&p&记住，&/p&&p&&b&许多人都不知道自己在干什么。&/b&&/p&&p&&b&要不断问自己，“你究竟在干什么？”&/b&&/p&&p&你可以不断得到可疑的答案，肯定的答案，你不断有收获，但你永远得不到终极答案。&/p&&p&《点球成金》里有句名言，&/p&&p&&b&“我们对自己从事一生的事情之无知程度，是令人震惊的。”&/b&&/p&&p&你很快会发现，这句话是何等正确。&/p&&br&&h2&&b&3.准备足够的资源&/b&&/h2&&p&80%的人在资源上出了问题。&/p&&p&要知道，在向每一个人生目标发起冲击的时候，都是一场战争。仅有战术上的重视是不够的，因为许多人在战略上已经输了。&/p&&p&更多的时间，就多一分胜算。&/p&&p&多一些物质资源，就多一分胜算。&/p&&p&利用时间的正确方式是，每一天都有具体目标，有一个Deadline，有个目标截止时间。如果你不懂得定一天的目标，不懂得如何达成一天的目标，你如何确定能达成考研目标，以及任何其他人生目标。&/p&&p&努力达成一天的目标后，你会睡得香甜。回顾一天，感到愉悦。否则，可能会寝食不安，噩梦连连。&/p&&p&多一些物质资源，最终也是为了赢得时间。如果资金储备不足，你行动的时候会有各种各样的顾虑。&/p&&p&《三国演义》里最精彩的大战不是火烧赤壁，不是长坂坡的横枪立马杀退百万兵。最精彩的是定军山之战。赵云和黄忠两元五虎上将奉诸葛亮之命，去烧曹操大军的粮仓。而曹操平生最善于断敌人粮草，最防备的就是被人烧粮劫粮。结果，曹操惨败，刘备自封汉中王。&/p&&p&兵马未动粮草先行。&/p&&p&否则就是悲剧。&/p&&br&&h2&&b&4.不要跟难兄难弟闺蜜好友瞎聊，除非必要&/b&&/h2&&p&这么说是有科学依据的。TED有个演讲，题目是“下定决心的目标可别告诉别人”，建议你看看。&/p&&p&心理学测试证明，说出目标会降低你实现目标的行动力。因为你会提前感受到喜悦，所以你真的以为你已经实现了，起码在一短时间里。&/p&&p&人就是这么奇葩的动物，没办法。&/p&&p&关于人生目标，好朋友会鼓励你，一般的朋友会质疑你，还有不睬你的。&/p&&p&质疑、不睬与不屑，都是负能量，你懂得。&/p&&p&鼓励和安慰，有用吗？对于意志不坚的人，这些都令人泄气。这是你一个人的战斗。人生中的许多事都是如此。&/p&&p&如果有亲人，有朋友，不对你加以任何评论和建议，只是用行动默默支持你。那么祝福你，这是人生中最幸福的事情。&/p&&p&你的成功，容易找到人分享。&/p&&p&你的失败，没人能抚慰，只能独自品尝。&/p&&br&&h2&&b&5.不要看书&/b&&/h2&&p&许多考研的人，时不时的抱着一本考研相关的书在看。每当看到这种情况的时候，我都在心里摇头。在我看来，处于这种状态，基本上是考不上的。因为他们从根本上不知道学习为何物，也不知道什么是努力。&/p&&p&如果是我的兄弟在这么干，我会走过去，直接把他的书扔掉。你可能以为我疯了，实际上，我却在救他的命。因为，如此看书等于浪费时间，浪费时间等于浪费生命。改掉他看书的方式就等于救他的命。&/p&&p&高二那年，我弄了一本新的参考书。我班学霸大威（大学时成了兄弟，后来读清华，后来去美国）从我这里把书借走。我当时倍感荣幸，这么牛的人看上我的参考书了，说明我有眼光嘛。很快，当他把书还回来的时候，我愣住了。书里面的题目上都写满了答案，空白处是密密麻麻的标注。对我来说，这本书算是废了。&/p&&p&这个情景我念念不忘。起初第一个想法是，你老兄得学会尊重我啊，这是我的书哎。过了很久，我才明白，我实在应该好好珍藏那本参考书。&/p&&p&许多人看过的书，居然跟新的一样。学习对他们而言，就是翻翻书、看看里面的文字图画。（当然不排除有些人书籍保护的特别好，写满标记还是整整齐齐的。）但是，这位老兄不同。到了他手上的资料，终究会呈萎靡不振状，可以直接扔到垃圾桶了。仿佛书中的生命都被他吸走榨干一样。&/p&&p&很久之后，我才知道还有更绝的。有些人不是读书，而是撕书。把一页书完全融入大脑之后，果断撕下来扔掉。那叫自信，也叫明志。对于这样的人，在撕掉一页书之前必定会不停的问自己这样的问题，“这页纸上的东西我都记住了吗？是不是不会再忘记了？是不是完全理解了？”撕书就是逼着自己对这样的问题作出肯定的回答。&/p&&p&再很久很久以后，我发现，“看书”是个害人的词儿。书是不能看的。绝大多数可以看看的书，是可看可不看的。消磨时间，看着玩儿，看哪一本都一样。&/p&&p&真正重要的书，都是不能看的。因为仅仅是看，不解决问题，甚至是在浪费时间。因为，看书会给自己造成一种错觉，以为自己在学习，但实际上却什么都没学到。&/p&&p&重要的书可以画、可以标注、可以写、可以背、可以拆、可以撕、可以讨论、可以辩论、可以复述、可以评论、可以批判，但却不能看。&/p&&p&最后要记住，对于考研来说，看书就是浪费时间。必须动笔！&/p&&br&&h2&&b&6.慎选学习方法&/b&&/h2&&p&许多人都把一分耕耘一分收获挂在嘴边，有些人把天道酬勤四字装裱的很漂亮贴在办公室墙壁上，显得很踏实、很勤奋、或者很有文化。而稍微动动脑子就会发现，这两个观点是何等的错误，且不知误导了多少人。&/p&&p&想想看，任何你熟悉的事情，劳而无功不是很常见的吗？如果凭勤奋凭苦干就能如愿，那么这世界上的富豪、精英应该是农民、矿工才对。&/p&&p&人生中的许多事情是没有苦劳的。&/p&&p&所以，你必须慎重对待自己的学习方法。&/p&&p&你要问自己，有没有用学习方法？如果你没有用学习方法，完全凭着自己感觉在学。你应该知道，这意味着什么。这意味着，在学习这件事儿上，你根本没找到门。对于农民，这意味着颗粒无收。对于矿工，这意味着葬身矿井。对于渔民，这意味着葬身大海。对于商人，这意味着倾家荡产。对于政客，这意味着身败名裂，深陷无妄之灾。&/p&&p&如果你在用某种学习方法，那么你要问自己，凭什么认为这个方法有效，而且高明？如果你给不出任何答案。那你依然是糊涂的。如果你是科学家，你会失败。如果你是商人，你会赔钱。如果你是政客，你会被虐。如果你如此考研，你该知道，你毫无胜算。&/p&&p&那么，现在你已知道，你必须运用高明的学习方法。&/p&&p&我们要问，什么是高明的学习方法？&/p&&p&高明的学习方法，是符合规律的，经过高手检验过的学习方法。&/p&&p&比如下面这些。&/p&&p&&b&（1）英语必背20篇文章&/b&&/p&&p&我走过了很长很长的弯路才发现背诵文章这个提分神技，不但对应试有奇效，而且对切实提升英语能力更加有效。我是理工科，高考的时候，英语在130分左右。刚刚已经说过，研究生入学考试，英语成绩在我所选专业排第一。&/p&&p&准备研究生英语考试的时候，我只熟练的背下来不足20篇文章，并且只做了这件事，加上准备过程中做了不足10套模拟题。&/p&&p&更详细的过程，我写在其它文章里了。供参考，供批判，供检验。其实这个方法，古往今来许多人已经发现，已经检验过了，比如辜鸿铭、丘吉尔、阿西莫夫、王强等等，我只不过是又踏踏实实的实践、检验、并总结了一遍。希望对你有用。&/p&&p&至于实施这个方法的详细过程和有效的原因，我已经在其他文章里写的足够详细。&/p&&p&一句话，学习的本质是基于模仿的反复练习。学，即模仿；习，即是操练。&/p&&p&如此说来，这个英语学习神技并非神技，只是符合学习本质的正常的学习方式而已。&/p&&p&如果这些言语扔不足以让你踏踏实实的行动检验它，那么我再送你一句话。&/p&&p&毕加索和乔布斯不断重复的一句话，“优秀者模仿，伟大者剽窃！”&/p&&br&&p&&b&（2）考研政治&/b&&/p&&p&政治可以当作小说看；做题可以当作脑筋急转弯；训练强度再大一些，可以当作阅读理解。总之可以用来当作专业课、英语数学这些内容学习的调节。&/p&&p&关于政治，我能提出的最好的建议是，把它当作人生思维的练习。很多人以为政治的内容很荒诞，其实他们不知道荒诞的是自己。如果你曾带着逆向思维，严肃的想要驳倒其中的任何一个观点，你会发现很难、很难，甚至做不到。能做到的人，考研政治就不是问题了。那说明他的见识面和思维能力足够强。&/p&&p&建议你读一本小说《天幕红尘》，可以当作考研政治的复习内容看，一天能读完。也许你会对考研政治的许多观点都会有不同以往的深入理解。&/p&&p&&b&（3）专业课下狠功夫&/b&&/p&&p&我没有提考研数学。因为我考的数学不是数一、数二、数三那种全国统一考试，而是很专业的数学。我的专业课考的是统计物理。二者属性一致，我就一起说了。我相信这样的课程，在所有专业里都是最难的。&/p&&p&我的做法是把书里面所有能推导，所有能证明的题目都证明一遍。把10年内的真题，至少做五遍。遍数很重要，因为熟能生巧。遍数又不重要，因为目的是熟。熟到看到题目，然后就是写字的时间。如果熟练到这种程度，感冒又算得了什么呢。&/p&&p&我的一位学弟 @童哲，福建省物理竞赛全省第一保送北京大学物理学院，参加高考考进去也毫无问题，后来又在物理学院本科考到世界名校巴黎高师（全世界诺奖比例最高的一所大学），回国之后创建了一个网络大学，万门。下面是他写的努力过程。 &/p&&blockquote&&b&可能有人要说类似于我的家庭环境多么利于考上北大。其实根本不是，为了考上北大，我高中前两年做完了47本物理竞赛教材！47本！很多做物理竞赛的人可能会觉得全中国的物理竞赛教材加起来都没有47本。不好意思，我就是找到了47本！还是在2004年之前出版的竞赛教材（我2004年参加全国决赛保送）。我觉得努力到一定程度，普通竞赛题看起来就像是十以内的乘除法，当时就是练到这样的感觉。&/b&&/blockquote&&p&你会觉得他说的很狂，故意炫耀？其实不是，本质上是为了刺激读者。可是你看过之后可能越发绝望，47本，还是物理竞赛教材，我做不到。那你能否从普通教材刷起呢？47本太多，还是做不到。这些其实都是借口。可以从一本，一个章节，一道题目刷起啊。再牛的人也是人，题目都是一道一道做的，字都是一笔一划写出来的。他只不过胡思乱想的时间少，提高效率了而已。&/p&&p&有朋友问我：很难的知识、理论、概念，看不懂，怎么办？答案是，纯属正常。上面我提到的那位师弟，没事儿就抄写定义。弄懂一个定义并不容易，对于任何人来说都是这样。只字不差的定义，加上刷题过程中的理解，二者反复迭代。你会不断有豁然开朗的感觉。要记得那种豁然开朗的感觉。每一次，都是一样的。你只需要不断重复那个过程。&/p&&br&&h2&&b&7.把握住任何可以把握的点滴&/b&&/h2&&p&人获得任何东西，都绝非易事。&/p&&p&看到一个事实，很难。&/p&&p&弄懂一个概念，很难。&/p&&p&理解一个道理，很难。&/p&&p&掌握一本书，很难。&/p&&p&练就一项技能，很难。&/p&&p&赚到一分钱，很难。&/p&&p&赢得一个人的尊重，很难。&/p&&p&维系一份感情，很难。&/p&&p&结识一个朋友，很难。&/p&&p&让我们所爱的人喜悦哪怕一次，都很难。&/p&&p&而相反的过程，却无比的简单。&/p&&p&记得利弗莫尔的这句话：&/p&&blockquote&&b&“一个人很可能把自己轻易得到的任何东西都花个精光”（《股票大作手回忆录》p157）。&/b&&/blockquote&&p&我把利弗莫尔的话改的更彻底：&/p&&p&&b&一个人很可能把自己得到的任何东西都花个精光，无论是轻易得来的还是历经艰辛。&/b&&/p&&p&不然我们无法理解，一个原本幸福的家庭为何破裂，一个国家何以解体，一个帝国何以轰然倒塌，一个明文何以彻底消失。&/p&&br&&p&我在高中时，由于种种经历发现，真正获得一丁点儿进步是何等的困难。&/p&&p&&b&我用了很长很长时间的艰难思索才发现，学习目的本质是为了进步。为了强调这一点，为了让我记住。我再重复一遍。学习的唯一本质目的是进步，没有进步就没有一切。&/b&&/p&&p&&b&因此，凡是不能直接导向学习进步的一切行为都是假的。包括看书，听课，做题，做笔记，讨论，等等。&/b&&/p&&p&&b&我从那段经历中获得的收获就是，把握住任何可以把握住的点滴，不做幻想。踏踏实实的行动，这种把握点滴进步能力会与日俱增，终会有排山倒海的力量。否则，一切就都是空中楼阁。&/b&&/p&&p&我高一的时候算半个学渣，总分距离学霸相差150多分，后来逆袭考入北大。中间经过了长期痛苦的思考，变革了整个的学习方法，以及努力的状态，直至把学习当成了玩耍。&/p&&p&简要描述那个思维过程。从我的经验看，这个思维过程对于一切学习阶段，即便是工作之后的学习都是适用的。&/p&&p&我当时冥思苦想，既然没有明显的进步，距离学霸相差150多分，那是什么原因？归结为智商，我不甘心。如果不是智商，那是什么原因？不努力，也不是。还有可能是什么原因？我想不清楚。于是，我想，学习的目的是什么？考好成绩，考好的大学。当然了，简直是废话。谁不想考好成绩，好大学呢。这种愿望的剧烈程度，对于有强烈上进心的人来说近乎是一样的。那么，一天的学习是为了什么？想来想去只有一个原因，是为了进步。那么，我的一天的进步在哪里，有多少进步呢？我发现，我根本弄不清楚。于是，我发现以往虽然很努力的在学习，但完全是糊里糊涂的在学习。于是，这就是结症。&/p&&p&所以，弄明白自己一天进步了多少，进步在哪里，就是唯一、必须做的事情。然后，我当天就开始做一个记录本。不是错题本，也不是课堂笔记。而是把一天所学的东西，无论是做错的题目，还是不会做但弄明白了题目，还有一些积累的零散知识点，都记录在一个本子上。晚上清点战果，复习、重做，保证记忆和理解。然后周期性的复习，直到不忘为止。&/p&&p&这个办法的精神就是以超越此前的自己为核心。&/p&&p&这就是伟大的老子在《道德经》里早已告诫过我们的，&/p&&blockquote&&b&“胜人者有力，自胜者强”。&/b&&/blockquote&&p&超过别人只能说明你有力量，而力量可能并非来自于你，比如有个特殊的爹；&/p&&p&超越自己才是真正的强者。&/p&&p&要超越自己，你必须跟各种不良习惯、人性的弱点、社会上流行的各种不太高明的观点作战！&/p&&p&&b&人生是一场战争，这战争更多的发生在自己的意识空间，发生在内心深处。&/b&&/p&&p&&b&人生也是一场游戏，那是战争之间的休憩。&/b&&/p&&p&&b&人生又是一场旅行，但你要等到刀枪入库、马放南山的那一天。&/b&&/p&&p&高中时代我曾孜孜以求中有所悟并贯彻到底的学习方法，后来我称之为自强学习法。&/p&&p&&b&不念过去，不畏将来，不失当下。大丈夫，以一日论成败。&/b&&/p&&p&就这样经过了一年多一点儿的时间，我完成了逆袭。以高于录取分数线60多分的成绩进入北大，获得新生奖学金。&/p&&p&许多学校都主张学生们做“错题本”、“订正本”、“错题集”。做比不做好。但绝大多数老师和学生，不得要领，流于形式。当然，这些名字也是有问题的。错题、订正，这些不是根本，进步才是根本。而导向进步的又绝不}
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
?本课程校内发展的主要历史沿革
&&&&上海大学影视学院广播电视新闻学专业及广播电视编导专业已有十五年历史，建立以来即开设了广播电视新闻学、广播电视概论、纪录片与专题片等课程。学校非常重视广播电视新闻学专业的发展，持续多年投入，特别是随着近年来的人才引进，已聚集了一支较强的专业教师队伍。本课程负责人吴信训教授1987年从日本留学回国后，将发达国家的先进经验与我国实际相结合，从事该门课程的教学至今。学院还建设了处于国内兄弟院校前列的比较完善的实验设备系统及比较丰富的音像资料，包括全数字化以及高清晰度电视在内的实验系统。同时，广播电视新闻学专业还从成立发展之初，就努力与上海广播电视业界建立了密切的友好合作关系，始终得到上海广播电视业界的鼎力支持，形成了共建互利的良好办学格局。本专业能自觉适应社会的需要，与时俱进，不断深化教学改革，加强师资建设，优化课程结构，注重对学生创新能力的培养。在教学中认真抓好四个重视：重视前沿科学在课程中的比重；重视理论与实践技能培养的结合；重视第二课堂教学与社会实践基地的建设；重视任课教师教学质量的评估。学生在校期间，就已在教师指导下参加了新闻传播实践活动与科研活动，不少新闻作品获得新闻单位的好评，产生了一定的社会影响，有些作品还获得省部级奖励。本专业学生已树立起自强不息、创优争先的优良学风。所以，本课程已经不是在一个孤立的环境中，仅仅是作为一门孤立的课程实施教学科研，而是在一个理论与实践条件、氛围都有着宽广平台的基础上进行，从而能够顺利实现作为广播电视新闻学专业主干专业课程的教学目标与效果，受到学生的欢迎，受到国内外兄弟院校同行和用人单位的广泛好评。本专业和本课程通过多年的教学活动，也初步摸索到了以工科为背景的综合大学开展新闻传播学教学的经验。 广播电视新闻学专业除每年秋季正常招生外，近年来，还根据市教委的安排，相继有4年春季招生。迄今已培养本科毕业生11届（含2届春季生），约620人。毕业生受到社会普遍欢迎，就业率每年均在99％以上。相当一部分毕业生已成为骨干。
?理论课和理论（含实践）课教学内容
&&&定位与课程目标
&& 上海大学影视学院一开始就明确了特色鲜明的学定位：建设为与上海国际大都市地位相适应，与上海影视和传播文化发展需要相适应的高层次人才培养和研究基地之一，成为学科特色鲜明，社会声誉良好的教学研究型影视传播学院。本课程作为广播电视新闻学专业的主干专业课程，旨在从理论与实践的结合上，培养学生具备高度的社会责任感、高度的广播电视新闻敏感，以及善于运用和发挥广播电视的特有技术和艺术表现手段，传播好新闻的能力。
&&& 知识模块顺序及对应的学时
& （说明：因上海大学实行的是短学期制，每学期课堂教学为40个学时。安排如下，另安排第二课堂实践教学约80课时。参见“实践教学的设计思想与效果”。）
& ①广播电视新闻原理论（广播电视新闻特性与现代社会发展）：? 4学时
& ②广播电视新闻体裁论：广播电视新闻消息／广播电视深度报道／广播电视新闻解说与评论／广播电视现场报道／电视纪录片与专题片??? 12学时
& ③广播电视新闻类别论：
广播电视时政新闻／广播电视经济新闻／广播电视民生新闻／广播电视法制新闻／广播电视文化新闻／广播电视体育新闻／广播电视军事新闻???
& ④广播电视新闻表现论：广播电视新闻的采访、摄录、制作、编播? 8学时（课外实验24学时）
& ⑤广播电视新闻管理论：??? 4学时
& 课程的重点、难点及解决办法
& 课程的重点：在②、③、④。
& 难点：在对各类新闻类别题材选取的准确、敏锐把握，以及正确把握各类新闻题材的特征，并能熟练运用采访、摄录、制作技能，完成能为受众喜闻乐见的新闻节目。& 解决办法：第一课堂与第二课堂高度结合。在第一课堂，即以讲授为主的课堂，充分运用案例法，培养学生的理性分析鉴赏能力与新闻敏感力；在第二课堂，通过教师命题与学生自由选题的方式，让学生结合课程进度，在实践中锻炼新闻敏感力与表现能力。同时也锻炼了学生抓紧利用课外时间主动创新学习实验的能力和自觉性。
&&& 实践教学的设计思想与效果
&& 一、1、自选题材，拍一条上海大学校园电视新闻。然后在课堂进行典型评讲。（第3周）。
2、自选题材，拍一条上海电视新闻。然后在课堂进行典型评讲。（第4周）。
&& 3、限时限地（比如在南京路）任学生自主选择题材、主题拍一条电视新闻，然后在课堂进行典型评讲。（第7周）。
&& 二、1、在本课程电子教案的优秀电视新闻范例中，任选一条，写一篇评价短文（字
数500－1000字）（第5周）
&& 2、就最近各家电视台播出的电视新闻中，任选一条，写一篇评价短文（字
数500－1000字）（第6周）
&& 3、针对当前的电视新闻现象，自拟题目，写一篇小论文（字数字）（第8周）
&& 实践证明，上述实践教学设计可以取得显著的效果。请参见课程网站中《南京路上一堂课》以及学生实践课作品范例及其心得体会。
&&&本课程使用教师自编教材，2006年版新编教材由复旦大学出版社出版（该教材被评为2007年被评为“十一五”国家级规划教材）。同时提供国内外著名院校的相关教材供学生参考。
&& 本课程所在的影视学院拥有完善的实验设备确保学生开展实践，同时还有良好的网络教学环境，以及自主创新的数字化网络视频电视台作为师生的实验平台（参见http://www.），能够实现本课程的教学设想。
?教学方法与教学手段
&&&一、课堂讲授：除理论讲授外，运用多媒体穿插案例观赏分析、讨论。
&&&二、第二课堂教学：通过不同的课题设置，培养学生实际采摄电视新闻，以及分析国内国际电视新闻传播的前沿动向的能力。签到成功!您今天第{todayrank}个签到，签到排名竞争激烈，记得每天都来签到哦！签到日记2013-06已连续签到:{constant}天，累计签到:{days}天
粉丝圈焦点
推荐粉丝圈
小米电视，小米盒子用户聚居地
爱乐视超级电视，爱乐视盒子，乐迷一起来，交流使用心得
我们热爱搞机（基）
天敏D6四核机顶盒的用户们一起来加呀~~
电视家浏览器的用户们交朋友的地方
电视家的忠实用户们一起讨论，交流的地方
Nibiru游戏是为智能移动终端、智能电视以及智能机顶盒提供外设类游戏的软件平台，以正版游戏、多屏互动、外设支撑为特色，为玩家提供已经适配NIBIRU外设的游戏列表，让用户方便、快速的连接和使用外设，提升游戏的用户体验。
兔子视频fans的家，你可以在这里发现新鲜有趣的内容，结识同好。
一个方便大家交流，分享智能电视玩法的交流群，不定时的发布产家活动信息的小组织。非官方，纯爱好！
吃麻辣烫送辣条
狐云ROM是智能电视、智能盒子而生的民间ROM团队，不求最专业的ROM，只为更好的体验。有国内外知名达人加入队伍，我们只做自己擅长的事情，为用户提供安全、简单、易用的ROM。狐云ROM目标：让所有的智能盒子、智能电视都使用流畅可以看上直播与点播。
美如画的用户一起交流使用心得，分享固件、软件等资源...
优酷神秘新品盒子，大家一起来猜猜猜
海信智能电视交流QQ群【 】
这里是海信智能电视纯民间圈，这有辩论、投票、玩机教程、有问题解决方案、有大量固件可下载等，如果你喜欢研究它或遇到问题，欢迎来交流问题和分享经验，群内发言请注意：不能刷屏，礼貌交流！&&描述问题尽量说清环境、设备型号、之前操作、拍照片等。未尽事项请查及时关注群须知和群公告内容。
乐视盒子破解
创维智能电视已有相当的用户， 共同来研讨开发应用。
粉丝圈分类
创建粉丝圈步骤
创建粉丝圈创建自己的地盘
个性设置精心打造粉丝圈空间
邀请好友邀请好友加入我的粉丝圈
粉丝圈升级粉丝圈积分升级赢得社区推荐
粉丝圈积分排行
应用推荐 /4
直播：电视家直播就是高清！
点播：爱奇艺优酷搜狐乐视！
美女：性感清纯衣服就是少！
智能：遥控电视瞬间变电脑！
全新改版，更多赛事看不停
空间清理功能，一键清理垃圾
专属频道聚合页，查找更方便
丰富正版内容、高清流畅体验
优酷TV版最新版，下载即可观看
海量高清免费电影、电视剧片源，
拥有业界最丰富的节目资源，
舒适休闲的视频观看体验。
画面清晰 播放流畅 界面友好；
最新电影、3D大片、电视剧；
最全独家动漫、1080P高清；
海量综艺娱乐内容，免费观看。2016年春季现代远程学习概论满分作业_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
2016年春季现代远程学习概论满分作业
&&希望能帮助到大家。
阅读已结束，下载文档到电脑
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢&img src=&/50/v2-de223a2ad8d980dd74b43e3aec688862_b.jpg& data-rawwidth=&1345& data-rawheight=&618& class=&origin_image zh-lightbox-thumb& width=&1345& data-original=&/50/v2-de223a2ad8d980dd74b43e3aec688862_r.jpg&&&p&机器之心整理&/p&&p&参与：机器之心编辑部&/p&&blockquote&机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上手的可行方法及学习资源的分类汇总，机器之心在其基础上做了增益，希望对读者有所帮助。&/blockquote&&p&先决条件&br&机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用 UML、ORM、设计模式及其他软件工程工具／技术，那么请闭眼一秒钟，忘掉一切。这并不是说这些概念不重要，绝不是！但是机器学习需要一种不同的方法。如今 Python 如此流行的原因之一是其「原型设计速度」。在机器学习中，一种使用几行代码即可建模算法的语言绝对是必要的。&/p&&p&微积分、线性代数、概率论在机器学习几乎所有算法中不可或缺。如果你的数学背景很扎实，请跳过这一章节。如若不然，那么重新温习一下这些重要概念也不错。考虑到理论的数量，我并不建议大家从大部头开始。尽管一开始可以用它查询具体概念，但是初学者先关注简单的话题比较好。网上有很多好的在线资源（比如 Coursera、可汗学院或优达学城），实用且适合各种背景的人群。但是我建议从提纲之类的简明书籍上手，其中所有核心概念均被涉及，次要概念可在需要的时候自行查询。这种方法虽然不够系统，但却避免了这样的缺陷：大量晦涩概念使得没有扎实理论背景的人望而却步。&/p&&p&初学者最好先学习下列内容：&/p&&p&概率论&/p&&ul&&li&离散型和连续型随机变量&/li&&li&主要分布（伯努利分布、二项式分布、正态分布、 指数分布、 泊松分布、Beta 和 Gamma 分布）&/li&&li&矩估计和最大似然估计&/li&&li&贝叶斯统计&/li&&li&相关性系数和协方差（Correlation and Covariance）&/li&&/ul&&p&线性代数&/p&&ul&&li&向量和矩阵&/li&&li&矩阵的行列式&/li&&li&特征向量和特征值&/li&&li&矩阵分解（如 SVD）&/li&&/ul&&p&微积分&/p&&ul&&li&极限与导数&/li&&li&微分和积分&/li&&li&数值计算与最优化方法&/li&&/ul&&p&网上有很多免费资源，比如&/p&&ul&&li&《概率论入门》，Grinstead、Snell 著（&a href=&/?target=https%3A//www.dartmouth.edu/%7Echance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&dartmouth.edu/~chance/t&/span&&span class=&invisible&&eaching_aids/books_articles/probability_book/amsbook.mac.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《线性代数入门》，Wise、Gallagher 著（&a href=&/?target=http%3A//www.stat.columbia.edu/%7Eliam/teaching/4315-spr06/LinAlg.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&stat.columbia.edu/~liam&/span&&span class=&invisible&&/teaching/4315-spr06/LinAlg.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《微积分入门》，Heinbockel 著（&a href=&/?target=http%3A//www.math.odu.edu/%7Ejhh/Volume-1.PDF& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&math.odu.edu/~jhh/Volum&/span&&span class=&invisible&&e-1.PDF&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&/ul&&p&维基百科上也有很多好资源，对方程、定理等进行了清晰易懂的解释。&/p&&p&机器之心也介绍过许多数学基础与概念：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D5ec882af34cc%26chksm%3D871b28a4b06ca1b2ffa71d2dbacffdecc2c2a2f3e02ecscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&基础入门：深度学习矩阵运算的概念和代码实现&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D0c57ba70ec4ab61c996d44%26chksm%3D871b1ecfb06c97dd3e74a2b8c41254f0efc2dd88d2e89eec3bfac5da089f28c398%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&想了解概率图模型？你要先理解图论的基本定义与形式&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D2a4cf2be611cb32da5d245cbchksm%3D871b2e21b06cae2eddfba9b6b232efcd31a1f191eafd7%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度神经网络中的数学，对你来说会不会太难？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3D947ac4fb6765797bac76ae6c6c395c14%26chksm%3D871b28d6b06ca1c02db2790f5dae76a27c45e06edfbeffa9b99e08fde%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Reddit 热门话题：如何阅读并理解论文中的数学内容？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&机器学习主要需要的数学基础就是微积分、线性代数、概率论，我们感觉只需要掌握大学中常见的高数、线性代数、概率论与数理统计三门课程，基本上概念的理解就没什么问题了。如果再学一点数值计算和最优化等，我们基本上就能理解机器学习的学习过程推导。&/p&&p&机器学习方法建议（面向初学者）&/p&&p&特征工程&/p&&p&开始机器学习的第一步是理解如何评估和改进数据集的质量。管理特征的类别和缺失、归一化和降维（PCA、ICA、NMF）是大幅提高算法性能的基本技术，而且还有助于研究如何将数据集分割成训练集和测试集、如何采取交叉验证来取代传统的测试方法。&/p&&p&机器之心也曾详解过特征工程如 PCA 降维算法的详细理论与推导，当然我们还介绍了其它有关特征的概念：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dfabfchksm%3D871b2d6db06ca47b9b8eaf7e755a5e49e55f9b7dfa9fcae77f565%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从特征分解到协方差矩阵：详细剖析和实现PCA算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D8b9e10a0c%26chksm%3D871b2e7eb06ca7681edd3243adeb83c94b323f903aa925e3a7b8a53a17bb7e69238a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&基于TensorFlow理解三大降维技术：PCA、t-SNE 和自编码器&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3Dcf78cd60c5df87bb20a1ed59%26chksm%3D871b2f5db06ca64b94a89bcfcd43a79fdaf045a94a00feabe54f0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&似乎没区别，但你混淆过验证集和测试集吗？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&Numpy：Python 数值计算之王！&/p&&p&使用 Python 时，Numpy 不仅仅是一个库。它是几乎所有机器学习实现的基础，因此了解它的工作原理、关注向量化和广播（broadcasting）是非常必要的。这些技术可以帮助加速大多数算法的学习过程，利用多线程和 SIMD、MIMD 架构的力量。&/p&&p&官方文档已经很完整了，不过，我还建议大家看一下以下资源：&/p&&ul&&li&《Python 数据科学手册：数据使用的核心工具》，VanderPlas J. 著&/li&&li&《Python 科学编程入门书》，LangTangen P. H. 著&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D8aac55a04ca9aabd774c8b813ea50494%26chksm%3D871b288cb06ca19a424d929d32fd54e462dc62d3a25fafscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&维度、广播操作与可视化：如何高效使用TensorFlow&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&数据可视化&/p&&p&Matplotlib 即使不是纯粹的机器学习话题，了解如何可视化数据集也很重要。Matplotlib 可能是最广泛使用的解决方案：Matplotlib 易用，允许绘制不同种类的图表。Bokeh 和 Seaborne 提供了有趣的替代方案。不必要彻底了解所有包，但是了解每一个包的优点和弱点还是很有用的，可以帮助你选择合适的包。&/p&&p&了解 Matplotlib 细节的资源：《掌握 Matplotlib》，McGreggor D. 著&/p&&p&线性回归&/p&&p&线性回归是最简单的模型之一，可以把它作为一个优化问题来研究，该问题可通过最小化均方误差而得到求解。该方法虽然有效，但是限制了可利用的可能性。我建议还可以把它当作贝叶斯问题，使用之前的可能性展示参数（比如，高斯分布），优化变成了最大似然估计（Maximum Likelihood Estimation，MLE）。即使这看起来更加复杂，但该方法提供了一个可供几十个其他复杂模型共享的新方法。&/p&&p&Coursera 上介绍贝叶斯统计的课程：&/p&&ul&&li&《贝叶斯统计：从概念到数据分析》（&a href=&/?target=https%3A//www.coursera.org/learn/bayesian-statistics/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/baye&/span&&span class=&invisible&&sian-statistics/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&li&《贝叶斯统计：技术与模型》（&a href=&/?target=https%3A//www.coursera.org/learn/mcmc-bayesian-statistics& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mcmc&/span&&span class=&invisible&&-bayesian-statistics&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&/li&&/ul&&p&以及这两本书：&/p&&ul&&li&《思考贝叶斯》，Downey B. A. 著&/li&&li&《黑客的贝叶斯方法》Davidson-Pilon C. 著&/li&&/ul&&p&包括线性回归在内，机器之心曾介绍了一些解决回归问题的方法（后文提供了 CART 算法进行回归分析）：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dc26b56e320e8abab053ad24bd73e52b6%26chksm%3D871b24b0b06cada6da34fd3a0240acbcbd9bebbscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&初学TensorFlow机器学习：如何实现线性回归？&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7b5efae26f862b286cfc462eae133c75%26chksm%3D871b25e0b06cacf68cf70b171e63fabee5bb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现）&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&线性分类&/p&&p&通常情况下，Logistic 回归是最佳起始点，也是研究信息论进而了解信息熵、交叉熵和互信息的好机会。类别交叉熵（Categorical cross-entropy）是深度学习分类中最稳定、使用最广泛的代价函数，一个简单的 logistic 回归可以展示它是如何加速学习过程的（与均方差相比）。另一个重要的话题是正则化（Ridge、Lasso 和 ElasticNet）。很多情况下，人们认为它是一种提高模型准确率的深奥方式，但是它的真实意义是更准确，在具体实例的帮助下变得易于理解。我还建议刚开始的时候，把 logistic 回归当作一个简单的神经网络，可视化（以 2D 实例为例）权重向量在学习过程中的移动轨迹。&/p&&p&我还建议本节应包括超参数网格搜索。网格搜索不在没有完整了解的情况下尝试不同的值，而是评估不同的超参数集的性能。因此，工程师可以将注意力集中在可达到最高准确率的组合上。当然还有更加强大的贝叶斯优化方法，即利用先验知识逼近未知目标函数的后验分布从而调节超参数的方法。&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D557c6978fa2cdf1afedbf7%26chksm%3D871b2a73b06cabb49feffaea1ac5aabaca34a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从头开始：用Python实现带随机梯度下降的Logistic回归&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D842cdf4afb9c1c6c8b0fa935b576ff41%26chksm%3D871b55bee87dcd09faef6b89088acfccd8aa10a404ad572e63ded%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何通过牛顿法解决Logistic回归问题&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D5da6789719cdc3785cae%26chksm%3D871b29c5b06ca0d3e09f00691c0eff7f9c64fd9ef08266a78eedf19b8fc0d739%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&拟合目标函数后验分布的调参利器：贝叶斯优化&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&支持向量机（SVM）&/p&&p&支持向量机提供了不同的分类方法（包括线性和非线性方法）。该算法非常简单，具备基础几何知识的人也可以学会。不过，了解核支持向量机的工作原理非常有用，因为它会在线性方法失败的时候展示出其真正实力。&/p&&p&一些有用的免费资源：&/p&&ul&&li&《支持向量机简明教程》，Law 著&/li&&li&核函数方法，维基百科词条&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Ddadc2ac166249dbb77ae87%26chksm%3D871b23f4b06caae2c1eaf4c2b81af316bb194d153d3bcb8fafb768bd04daba2efd95%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&详解支持向量机SVM：快速可靠的分类算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D328ba8aadbc6%26chksm%3D871bf155faf0f1e6d6a62f9d014bcaa85f57abc9f0f9ff0ab0ac608b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&详解支持向量机（附学习资源）&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&决策树&/p&&p&决策树提供了另一种分类和回归的方法。通常，它们不是解决复杂问题的首选，但它们提供了完全不同的方法，即使是非技术人员也可以很容易理解，该方法还可以在会议或演示中可视化。&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dcfafe08ac3ccddd%26chksm%3D871bad6279bccdaa9bca%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&教程 | 从头开始：用Python实现决策树算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7d78fbddbd79cb864e12%26chksm%3D871b2fb1b06ca6a7dbc4f8f057f17e737d7dbc7d7ced78a2e12dcefcddscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从决策树到随机森林：树型算法的原理与实现&i class=&icon-external&&&/i&&/a& &/li&&/ul&&p&集成学习一览&/p&&p&在理解了决策树的动态特性以后，研究集成训练树的集（集成）来提高整体准确率的方法很有用。随机森林、梯度树提升和 AdaBoost 都是强大的算法，且复杂度较低。对比简单的树和提升方法与 bagging 方法采用的树的学习过程挺有趣的。Scikit-Learn 提供了最常见的实现方法，但是如果你想更好地驾驭这些方法，我还是建议你在 XGBoost 上多花些时间，XGBoost 是一个既适用于 CPU 又适用于 GPU 的分布式框架，即使在较大的数据集上也能加速学习过程。&/p&&ul&&li&&a href=&/?target=http%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Dde70c939d704f3fchksm%3D871b2a80b06ca396e3a71fdfdfef9e818ca337c6e1cd14b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从Boosting到Stacking，概览集成学习的方法与性能&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&聚类&/p&&p&当开始聚类方法的学习时，我的建议是从高斯混合算法（基于期望最大化/EM）学起。虽然 K-均值聚类要更加简单易懂（也是必须要学习的），但是高斯混合算法为我们提供了纯粹的贝叶斯方法，在其他类似任务中也十分实用。其它必学的算法还有层次聚类（Hierarchical Clustering）、谱聚类（Spectral Clustering）和 DBSCAN。这对你了解基于实例的学习或研究 K-近邻算法（既适用于有监督又适用于无监督任务）也是有帮助的。谱聚类的一个有用的免费资源是：&/p&&ul&&li&《谱聚类教程》，Von Luxburg U 著&/li&&/ul&&p&聚类算法是无监督学习中的代表，机器之心也曾详细地介绍过各种聚类方法与实现：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Ddb7b6f92466bdf146ac9bc%26chksm%3D871b1ea8b06c97beec50c7ac984bdab44bd11cfa411fab0e%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器理解大数据的秘密：聚类算法深度详解&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Dd7bdbffa22e553ad47f0233a%26chksm%3D871b2fc0b06ca6d6a3ff662ea3a7e5fcd35d989b90e%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&综述分类、聚类和信息提取算法在文本挖掘领域内的应用&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D7df9c0cb6abddb724e7e589ad5d0ea96%26chksm%3D871b2c98b06ca58ec4bbe31c68edbff446%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何用Python和机器学习炒股赚钱？&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&神经网络入门&/p&&p&神经网络是深度学习的基础，你可以在单独的课程中学习神经网络。但是，我认为理解感知机、多层感知机以及反向传播算法的概念也很有帮助。Scikit-Learn 提供了一个实现神经网络的简单方法，但是，开始探索 Keras 也是一个好主意，Keras 是一个基于 Tensorflow、Theano 或 CNTK 的高级架构，允许使用最少的努力对神经网络进行建模和训练。开始神经网络学习的一些好资源：&/p&&ul&&li&《人工神经网络基础》Hassoun M 著&/li&&li&《Keras 深度学习》Gulli A.、 Pal S. 著&/li&&/ul&&p&目前最好的深度学习书籍可能就是：&/p&&ul&&li&《深度学习》，Goodfellow I.、 Bengio Y.、Courville A. 著&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D4b6fba618d2aead27306%26chksm%3D871b34f4b06cbde2e0af7a8ffbd35792dd3eaa719e94de67a581b906%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&最全的DNN概述论文：详解前馈、卷积和循环神经网络技术&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D1ac201e15b43339efab9%26chksm%3D871b2b51b06ca247ac1fdc939e39cfc44cbc2ee25e1b105cf9a582395ddbcdd43cfe18fecd40%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器之心GitHub项目：从零开始用TensorFlow搭建卷积神经网络&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbd8bbf9ead95fd%26chksm%3D871b1e0ab06c971c0bf6accb6f9d108d42f01%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度神经网络全面概述：从基本概念到实际模型和硬件基础&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D8f78edc716bbdf62a93298%26chksm%3D871b2f3bb06ca62d60632da0faebbee1934ebec300dc4bbace4b5e6f79daaeed%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练的神经网络不工作？一文带你跨过这37个坑&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Da5e37e1d653bbcce3920%26chksm%3D871b2fc0b06ca6dc5ae3dfde3fd3bfdbb7b09fb9b%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow从基础到实战：一步步教你创建交通标志分类神经网络&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dd427fbed31d%26chksm%3D871b0d88b06c849eed54e5febbbc04c48c034%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络快速入门：什么是多层感知器和反向传播？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3D7c6db64c4b865b304a94e%26chksm%3D871b2ab3b06ca3a55d4dd6f3fddd6f93be392ffe1c2a5%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&教程 | 如何用30行JavaScript代码编写神经网络异或运算器&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3D274c6be3b4%26chksm%3D871b2be7b06ca2f198d34f526b7dc5b50ee4ece24f820b52c86d183d42c2a469c3%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络调试手册：从数据集与神经网络说起&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3Deb2e1fe80f890e59bdefb7%26chksm%3D871b22feb06cabec52efdfb93ddf89f9b0b1a496a5e7a45b6%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络基础：七种网络单元，四种层连接方式&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3Dbedfceccefe1%26chksm%3D871b1a93b06cc5ed362ebb8b4b6d321e9bc7132bd24cb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何从信号分析角度理解卷积神经网络的复杂机制？&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dca1bfc37deae%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经网络架构演进史：全面回顾从LeNet5到ENet十余种架构（附论文）&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D9f5d969b3f9eac2aedc95%26chksm%3D871b18cdb06c91db52ace594dcfd8ff1dcd952dd8dcfaeb95415cb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工解读神经网络历史，三篇论文剖析基础理论&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&最后，我们将介绍部分机器之心曾发过的综述性技术文章或论文，并希望这些文章能对大家全面理解各种方法有所帮助：&/p&&ul&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dedd5cf01d2be07b435eb312%26chksm%3D871b19d5b06c90c366c2a873ca1156ae61cef284c52c6bbfbb8a0f%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&自动驾驶计算机视觉研究综述：难题、数据集与前沿成果&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D6faa5fd55fc39dchksm%3D871b1ddfb06c94c9e11d3afce06a4e021fcd8eaab858c7f08ab9c939c4ad130e4b2%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文帮你发现各种出色的GAN变体&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D9d1ba02a410e409echksm%3D871b15a8b06c9cbe00ac088a504de0bab859e4ebfbc43%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度强化学习综述：从AlphaGo背后的力量到学习资源分享&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D3f013ab2f42624ebc9b85ba%26chksm%3D871b2bbcb06ca2aa5b43f9a7665597bbd2bee712dd5186%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从FPS到RTS，一文概述游戏人工智能中的深度学习算法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D4%26sn%3Ded659a17aa2%26chksm%3D871b272cb06cae3a7e8fdbe1add87d65afcf2ed55f0eaec57aa7c9aa8%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&视觉问答全景概述：从数据集到技术方法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbb9e6eedba961cad5ef379e1%26chksm%3D871b2496b06cad80a12b178e7ca24eb2aa2f13bf2ec45%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经风格迁移研究概述：从当前研究到未来方向&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D1f2e64ae2baefd82fd6dcac86d2cc77e%26chksm%3D871b07fdc335b8f79f0c15ccad93d3c9a899c0b097%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从语言学到深度学习NLP，一文概述自然语言处理&i class=&icon-external&&&/i&&/a& &/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D2%26sn%3D0d5e47e071c346eb4a485980deee5744%26chksm%3D871b1dbeb06c94a81b74afcde32d759bbd6cf53fbe2a9badaed44c5f05%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&迁移学习全面概述：从基本概念到相关研究&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D5%26sn%3D2c36cca9b5d26f52a0ccdeda1f848e8f%26chksm%3D871b2f98b06ca68e2a09d7e807b0dffcd0ebba0d39de4d3f1%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文综述所有用于推荐系统的深度学习方法&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D7d68cc7a009dafd983ee9c63%26chksm%3D871b6eaf8236cdeb8a3e56ca72ad45a7c2c06cbddecf%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一文读懂遗传算法工作原理（附Python实现）&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D784d7a9e7bc2f4c66d6a8%26chksm%3D871b1ba8b06c92be00d52e5fd891bad281f07baa381bee%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从自编码器到生成对抗网络：一文纵览无监督学习研究现状&i class=&icon-external&&&/i&&/a& &/li&&/ul&&p&&/p&&p&&/p&&p&&/p&
机器之心整理参与：机器之心编辑部机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上…
&img src=&/50/v2-bf6dc9d743afe775b26e34_b.jpg& data-rawwidth=&1920& data-rawheight=&1200& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&/50/v2-bf6dc9d743afe775b26e34_r.jpg&&&p&选自arXiv&/p&&p&机器之心编译&/p&&p&参与：Panda、蒋思源、黄小天&/p&&p&&br&&/p&&blockquote&人工智能技术已经成为当前技术变革的主要推动力之一，从计算机科学到工程学等许多科学技术领域都在竭尽全力想用自动化的方法创造更大的价值。要想做到这一点，工程师当然必须要对当前最具潜力的机器学习方法有一个大致了解。伦敦国王学院信息学习教授 Osvaldo Simeone 近日在 arXiv 上公开发布了长达 200 页的最新专著，为工程师提供了全面细致的机器学习入门介绍。在本文中，机器之心对这本专著的摘要及目录部分进行了介绍。专著原文可在 arXiv 下载，工程师和准工程师一定不要错过。&/blockquote&&p&为工程师写的机器学习简介（A Brief Introduction to Machine Learning for Engineers）&/p&&img src=&/50/v2-6988c0baf9cbe0f758894_b.jpg& data-rawwidth=&640& data-rawheight=&325& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/50/v2-6988c0baf9cbe0f758894_r.jpg&&&p&&br&&/p&&p&专著地址：&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&摘要&/p&&p&本专著的目标是介绍机器学习领域内的关键概念、算法和理论框架，涵盖了监督学习与无监督学习、统计学习理论、概率图模型和近似推断等方向。本专著的目标读者是具有概率学和线性代数背景的电气工程师。本书基于第一原理（first principle）写作，并按照有清晰定义的分类方式对其中的主要思想进行了组织，其中的类别包含鉴别式模型和生成式模型、频率论者和贝叶斯方法、准确推断和近似推断、有向模型和无向模型、凸优化和非凸优化。本书中的数学框架使用了信息论的描述方式，以便工具具有统一性。书中提供了简单且可重复的数值示例，以便读者了解相关的关键动机和结论。本专著的目的并不是要为每个特定类别中已有的大量解决方案提供详尽的细节描述（这些描述读者可参阅教科书和论文了解），而是为了给工程师提供一个切入点，以便他们能借此进一步深入机器学习相关文献。&/p&&p&1 引言&/p&&p&1.1 机器学习&/p&&p&1.2 目标和纲要&/p&&p&&br&&/p&&p&2 线性回归入门介绍&/p&&p&2.1 监督学习&/p&&p&2.2 推断&/p&&p&2.3 频率论者&/p&&p&2.4 贝叶斯方法&/p&&p&2.5 最小描述长度（MDL）&/p&&p&2.6 解释与因果关系&/p&&p&2.7 信息论指标&/p&&p&2.8 总结&/p&&p&&br&&/p&&p&3 概率学习模型&/p&&p&3.1 指数分布族&/p&&p&3.2 最大熵性质&/p&&p&3.3 频率学习（Frequentist Learning）&/p&&p&3.4 贝叶斯学习&/p&&p&3.5 基于能量的模型（Energy-based Models）&/p&&p&3.6 通过广义线性模型（GLM）的监督学习&/p&&p&3.7 总结&/p&&p&&br&&/p&&p&4 分类&/p&&p&4.1 将分类作为监督学习问题&/p&&p&4.2 随机梯度下降&/p&&p&4.3 判别式确定性模型&/p&&p&4.4 判别式概率模型&/p&&p&4.5 生成式概率模型&/p&&p&4.6 多类别分类&/p&&p&4.7 非线性判别式模型：深度神经网络&/p&&p&4.8 Boosting&/p&&p&4.9 总结&/p&&p&&br&&/p&&p&5 统计学习理论&/p&&p&5.1 监督学习的一种形式框架&/p&&p&5.2 PAC 可学习性和样本复杂性&/p&&p&5.3 有限假设类别的 PAC 可学习性&/p&&p&5.4 VC 维和 PAC 学习的基本定理&/p&&p&5.5 总结&/p&&p&&br&&/p&&p&6 无监督学习&/p&&p&6.1 无监督学习&/p&&p&6.2 K-均值聚类&/p&&p&6.3 ML、ELBO 和 EM&/p&&p&6.4 有向生成模型&/p&&p&6.5 无向生成模型&/p&&p&6.6 判别式模型&/p&&p&6.7 自编码器&/p&&p&6.8 Ranking &/p&&p&6.9 总结&/p&&p&&br&&/p&&p&7 概率图模型&/p&&p&7.1 介绍&/p&&p&7.2 贝叶斯网络&/p&&p&7.3 马尔可夫随机场&/p&&p&7.4 概率图模型中的贝叶斯推断&/p&&p&7.5 总结&/p&&p&&br&&/p&&p&8 近似推断和学习&/p&&p&8.1 蒙特卡罗方法&/p&&p&8.2 变分推断&/p&&p&8.3 基于蒙特卡罗的变分推断&/p&&p&8.4 近似学习&/p&&p&8.5 总结&/p&&p&&br&&/p&&p&9 结语&/p&&p&&br&&/p&&p&附录&/p&&p&&br&&/p&&p&A 附录 A：信息度量&/p&&p&A.1 熵&/p&&p&A.2 条件熵和互信息&/p&&p&A.3 散度度量&/p&&p&B 附录 B：KL 散度和指数分布族&/p&&p&&br&&/p&&p&致谢&/p&&p&&br&&/p&&p&参考文献&/p&&p&&br&&/p&&p&介绍&/p&&p&当我在教授机器学习课程时，有着工程学背景的同事和学生经常问及：如何更好地入门机器学习。我通常会以书籍推荐的形式回应——一般但稍微过时的介绍，请读这本书；对于基于概率模型方法的详细调查，请查看这些索引；如果想要了解统计学习，我觉得这篇文章很有用；如此等等。结果证明这些回答无法使我与提问者满意。书籍很多很厚，使得繁忙的工程学教授和学生望而却步。因此我首次撰写了这篇专论，一篇基础且体量适当的入门书，其中通过简单的术语面向工程师统一介绍了机器学习主要思想和原理，同时涵盖了其最新发展和文献指导，以供进一步研究。&/p&&p&第二章，线性回归入门介绍&/p&&p&第二章我们回顾了三个核心的学习框架，即频率论者（frequentist）、贝叶斯和 MDL。频率论者为数据假定了真实、未知分布的存在，并致力于学习一个预测器（predictor），从而更好地泛化来自这一分布的不可见数据。这可通过学习一个插入最优预测器表达式的概率模型或者直接解决预测变量上的 ERM 问题而完成。贝叶斯方法输出一个预测分布，可通过解决计算不可见标签上后验分布的推断问题而整合先验信息与数据。最后，MDL 方法旨在筛选一个模型，允许使用最少的比特描述数据，因此去除在未观察实例上泛化的任务。本章也广泛讨论了过拟合的关键问题，展示了学习算法的性能可就偏差和评估错误获得理解。运行实例是用于高斯模型的线形回归中的一个。下一章将会介绍更多学习构建和学习常见概率模型的工具。&/p&&p&第三章，概率学习模型&/p&&p&本章中，我们回顾了概率模型的一个重要类别——指数族，它被广泛用作学习算法的组件以完成监督、无监督学习任务。这一类别成员的关键属性是由同一家族中的梯度 LL 和共轭先验的可用性采用的简单形式。下一章我们将讲述指数族在解决分类问题方面的不同应用模型。&/p&&p&第四章，分类&/p&&p&本章扼要概述了分类的关键问题。按照第二章提出的分类系统，我们依据用来连接解释性变量与标签的模型类型划分了学习算法。尤其地，我们描述了线性与非线性的确定性判别模型，涵盖了用于多层神经网络的感知机算法、SVM、反向传播；聚焦于 GLM 的概率判别模型；包括 QDA 和 LDA 在内的概率生成模型。我们同样介绍了混合模型与提升方法（Boosting）。尽管本章聚焦在算法方面，下一章将讨论一个理论框架，研究监督学习的性能。&/p&&p&第五章，统计学习理论&/p&&p&本章描述了经典的 PAC 框架，并用它分析监督学习的泛化性能。我们知道 VC 维理论定义了模型的能力，这就意味着 VC 维在给定模型准确度和置信度上度量了其学习所需要的样本数量。在下一章中，我们将从监督学习进一步讨论无监督学习问题。&/p&&p&第六章，无监督学习&/p&&p&在本章节中，我们回顾了无监督学习的基础知识。优秀的无监督学习方法一般都通过隐变量或潜在变量帮助解释数据的结构。我们首先通过期望最大化算法（EM）回顾了机器学习及各种变体。随后介绍了机器学习生成模型 GAN，该方法使用从数据中学到的散度度量以代替 KL 散度。随后接着回顾了通过 InfoMax 原则训练的判别模型和自编码器。在下一章节中，我们通过讨论概率图模型的强大框架而扩展了对概率模型的理解。&/p&&p&第七章，概率图模型&/p&&p&概率图模型将关于数据结构的先验信息编码为因果关系的形式，即通过有向图和贝叶斯网络（BN），或通过无向图和马尔可夫随机场（MRF）编码为相互之间的依赖性关系。这种结构可以表示为条件独立性属性。概率图模型所编码的结构属性能有效地控制模型的性能，因此能以可能的偏差为代价减少过模型拟合。概率图模型也推动执行贝叶斯推断，至少在树型结构的图中是这样的。下一章将讨论贝叶斯推断和关联学习比较重要的问题，当然具体的方法对计算力的需求就太大了。&/p&&p&第八章，近似推断与学习&/p&&p&本章通过关注 MC 和 VI 方法概览了近似推断技术。并且重点关注了选择不同类型的近似准则及其所产生的影响，例如介绍 M- 和 I- 映射。同样我们还讨论了在学习问题上使用近似推断的方法。此外，我们还讨论了本章目前最优的技术进展。&/p&&p&第九章，结语&/p&&p&这一章节主要是简单介绍机器学习，尤其是强调那些统一框架下的概念。除了前文纵览机器学习的各种方法，我们在这年还提供了那些只是提到或简要描述的重要概念及其扩展方向，因此下面将提供前文没有介绍的重要概念列表。&/p&&p&隐私：在许多应用中，用于训练机器学习算法的数据集包含了很多敏感的私人信息，例如推荐系统中的个人偏好和医疗信息等等。因此确保学习的模型并不会揭露任何训练数据集中的个人记录信息就显得十分重要了。这一约束能使用差分隐私（differential privacy）概念形式化表达。保证个人数据点隐私的典型方法包括在执行 SGD 训练模型时对梯度添加随机噪声，该方法依赖于使用不同的训练数据子集混合所学习到的专家系统 [1]。&/p&&p&鲁棒性：已经有研究者表明不同的机器学习模型包含神经网络对数据集中很小的变化十分敏感，它们会对次要的、正确选择的和解释变量中的变动给出错误的响应。为了确保模型关于对抗样本具有鲁棒性，修正训练过程是具有重要实践意义的研究领域 [37]。&/p&&p&计算平台和编程框架：为了扩展机器学习应用，利用分布式计算架构和相应的标准编程框架 [9] 是十分有必要的。&/p&&p&迁移学习：针对特定任务并使用给定数据集进行训练的机器学习模型，目前如果需要应用到不同的任务还需要重新初始化和训练。迁移学习研究领域即希望将预训练模型从一个任务获得的专业知识迁移到另一个任务中。神经网络的典型解决方案规定了通用隐藏层的存在，即对不同任务训练的神经网络有一些隐藏层是相同的。&/p&&p&域适应（Domain adaptation）：在许多学习问题中，可用数据和测试数据的分布并不相同。例如在语音识别中，模型学习时所使用的用户数据和训练后其他用户使用该模型所提供的语音数据是不同的。广义 PAC 理论分析了这种情况，其将测试分布作为测试和训练的分布差异函数而获得了泛化误差边界。&/p&&p&有效通信学习（Communication-efficient learning）：在分布式计算平台上，数据通常被分配在处理器中，处理器中的通信造成了延迟与能耗。一个重要的研究问题是找到学习性能与通信成本之间的最佳折衷。&/p&&p&强化学习：强化学习是机器学习方法最近大获成功的根本核心，获得了玩视频游戏或与人类选手对决的必要技能。在强化学习中，一方想要学习世界中已观察到的状态 x 和动作 t 之间的最优映射，比如说 p(t|x, θ)。不同于监督学习，强化学习中最优动作不可知，机器会由于采取的动作而获得一个奖励／惩罚信号。其中一个流行的方法是深度强化学习，它通过神经网络建模映射 p(t|x, θ)。通过使用强化方法评估梯度并借助 SGD，这被训练从而最大化平均奖励。 &/p& &p&&/p&&p&&/p&&p&&/p&
选自arXiv机器之心编译参与：Panda、蒋思源、黄小天 人工智能技术已经成为当前技术变革的主要推动力之一，从计算机科学到工程学等许多科学技术领域都在竭尽全力想用自动化的方法创造更大的价值。要想做到这一点，工程师当然必须要对当前最具潜力的机器学习…
我不是大神。&br&背景：某二本院校大四学生；&br&说一说自己的学习经历吧。不知道能不能对题主有所帮助。&br&跟大多数人一样，是从Andrew Ng大神的coursera课程接触到机器学习。在学那门课的时候也就老老实实的看完，看到最后，听到Andrew说看完这些课程的人基本上已经超过硅谷半数的工程师了（具体不记得了，大意是说看完就屌屌的了），前一秒，我是信的，后一秒，我自问我到底会了啥，无非就知道些机器学习的名词，算法的基本思路。&br&&br&然后我该干嘛？&br&找本书来看看啊，找另外一个公开课看看啊，给脑子里那个模型增加数据量啊。&br&《统计学习方法》+台大的公开课《机器学习基石》和《机器学习技法》这个组合简直杠杠，我敢拍着胸脯说我看了4遍，第1遍是照着课程进度配合书籍一起学习，第2遍是课程完结后的复习，第3、4遍在我参加kaggle比赛的时候进行知识的回顾。&br&这个组合里面的书籍可以换成该课程对应的教材。&br&看完书籍和公开课，我发现，数学很重要！数学很重要！数学很重要！在看Ng的课时倒还没有这个感觉，看台大课程的时候明显感觉到数学知识的比重陡然增加。然后就看了MIT的线性代数公开课和微积分，这才解决了公开课里面的部分疑惑。&br&&br&理论的知识大概了解了，然后我该干嘛？&br&python大法好啊！什么C++，java啥的真复杂，直接做个调包侠多么愉快啊。二话不说，直接就学，&a href=&///?target=http%3A///wiki/095c955c1e6d8bbfac/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 2.7教程&i class=&icon-external&&&/i&&/a&,感谢廖叔叔。接下来就是热门的机器学习算法包&a href=&///?target=http%3A//scikit-learn.org/stable/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&scikit-learn: machine learning in Python&i class=&icon-external&&&/i&&/a& 。什么，算法输入要求是pandas data frame ，来一本 &a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&利用Python进行数据分析 (豆瓣)&i class=&icon-external&&&/i&&/a&。 至此，已经学会基本的数据预处理了，这些无论是书籍还是公开课都直接略过不会教的。&br&在这里要隆重推荐 周志华老师的 &a href=&///?target=http%3A///subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习 (豆瓣)&i class=&icon-external&&&/i&&/a& ，目前看过的最好的中文的机器学习教材，涵盖了很多教材所没有的 数据预处理，特征工程。这书，得供起来。&br&&br&会调用算法了，然后我该干嘛？&br&机器学习？数据挖掘？这两者到底界限在哪里？要不就都看看吧，有了这个想法后，我找了cousera上UIUC 的data mining 专项课程&a href=&///?target=https%3A//www.coursera.org/specializations/datamining& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Specialization&i class=&icon-external&&&/i&&/a&来看，里面有两门课是大名鼎鼎的韩家炜教授所教的。至此，我知道了pattern mining,搜索引擎的基本框架和原理，文本挖掘和自然语言处理的一点知识，聚类分析的大概。这些课程中都会夹杂着之前所学的机器学习算法。&br&每节课课后推荐的延伸阅读文章和书籍非常值得去看一看！&br&&br&了解了一些应用，然后我该干嘛？&br&玩啊！当然是好好玩机器学习/数据挖掘比赛啊，&a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Kaggle: The Home of Data Science&i class=&icon-external&&&/i&&/a&，我把101，playground这两个级别的比赛刷了一遍，然后鼓足勇气参加了一个有奖金的比赛！最后排名状况是在1800多个队伍排300多名。&br&一开始不知道怎么去做一个kaggle比赛的时候，我照着 &a href=&///?target=https%3A//www.dataquest.io/section/kaggle-competitions& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&dataquest.io/section/ka&/span&&span class=&invisible&&ggle-competitions&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 的教程过了一遍，大概就知道整个流程。&br&偶然一次，碰到数据量特别大的比赛，数据量上G，套了一个模型上去后，直接memory error。这让我知道了大数据处理平台 &a href=&///?target=http%3A//spark.apache.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Apache Spark(TM)&i class=&icon-external&&&/i&&/a&的好用之处，也再一次证明了，学习python的好处 &a href=&///?target=http%3A//spark.apache.org/docs/latest/api/python/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Welcome to Spark Python API Docs!&i class=&icon-external&&&/i&&/a&。我在windows 10的系统上尝试着跑一个单机版的spark来玩玩，配置过程一直出错，巨麻烦。这个时候我感受到了linux的友好！（没有黑windows的意思）也因为这样，顺便学习了linux操作系统。推荐 &a href=&///?target=http%3A//linux.vbird.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&鳥哥的 Linux 私房菜 -- 鳥哥的 Linux 私房菜 首頁&i class=&icon-external&&&/i&&/a&。&br&&br&会玩了，然后我该干嘛？&br&找工作啊！我在拉勾网、100offer、哪上班和实习僧这些招聘网站找数据挖掘/机器学习的岗位，把招聘要求里面的共同需求点给标记出来。&br&&ul&&li&常见机器学习算法&/li&&li&数据库&/li&&li&java、c++、python、R&/li&&li&linux操作系统&br&&/li&&li&数据结构与算法&/li&&/ul&在知道自己的不足之处后，自然就一直在填补这些简历上面的空缺。&br&当然我觉得自己在机器学习算法方面还有很多疑惑和不了解的地方，正准备去研读下经典的PRML。&br&&br&&br&其实说了这么多，无非是想说，我是在一次次的需求和兴趣的驱动下去学习的，题主不妨仔细地思考下自己的需求，从机器学习的应用方面去找找灵感，也许会是不错的选择。&br&&br&然而我说了这么多，我学了这么些东西，我还是&b&找不到实习！找不到实习！找不到实习！投了简历倒是给我个反馈啊喂！我容易吗我！！&/b&
我不是大神。 背景：某二本院校大四学生； 说一说自己的学习经历吧。不知道能不能对题主有所帮助。 跟大多数人一样，是从Andrew Ng大神的coursera课程接触到机器学习。在学那门课的时候也就老老实实的看完，看到最后，听到Andrew说看完这些课程的人基本上已…
&p&无意中听我们院长大人说：Python是一门神奇的语言，在此之前我已经对C/C++/Java等几门语言有了一定得了解和掌握，并做过一些小项目。&/p&&p&&br&&/p&&p&学习Python大致可以分为以下几个阶段：&/p&&p&1.&/p&&p&刚上手的时候肯定是先过一遍Python最基本的知识，比如说：变量、数据结构、语法等，基础过的很快，基本上1~2周时间就能过完了，我当时是在这儿看的基础：&a href=&///?target=http%3A///python/python-intro.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 简介 | 菜鸟教程&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&2.&/p&&p&看完基础后，就是做一些小项目巩固基础，比方说：做一个终端计算器，如果实在找不到什么练手项目，可以在 &a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Codecademy - learn to code, interactively, for free&i class=&icon-external&&&/i&&/a& 上面进行练习。&/p&&p&&br&&/p&&p&3. &/p&&p&如果时间充裕的话可以买一本讲Python基础的书籍比如《Python编程》，阅读这些书籍，在巩固一遍基础的同时你会发现自己诸多没有学习到的边边角角，这一步是对自己基础知识的补充。&/p&&p&&br&&/p&&p&4.&/p&&p&Python库是Python的精华所在，可以说Python库组成并且造就了Python，Python库是Python开发者的利器，所以学习Python库就显得尤为重要：&a href=&///?target=https%3A//docs.python.org/3.5/library/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Python Standard Library&i class=&icon-external&&&/i&&/a& ，Python库很多，如果你没有时间全部看完，不妨学习一遍常用的Python库：&a href=&/p/& class=&internal&&Python常用库整理 - 知乎专栏&/a&&/p&&p&&br&&/p&&p&5.&/p&&p&Python库是开发者利器，用这些库你可以做很多很多东西，最常见的网络爬虫、自然语言处理、图像识别等等，这些领域都有很强大的Python库做支持，所以当你学了Python库之后，一定要第一时间进行练习。如何寻找自己需要的Python库呢？推荐我之前的一个回答：&a href=&/question//answer/& class=&internal&&如何找到适合需求的 Python 库?&/a&&/p&&p&&br&&/p&&p&6.&/p&&p&学习使用了这些Python库，此时的你应该是对Python十分满意，也十分激动能遇到这样的语言，就是这个时候不妨开始学习Python数据结构与算法，Python设计模式，这是你进一步学习的一个重要步骤：&a href=&///?target=https%3A///faif/python-patterns& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&faif/python-patterns&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&7.&/p&&p&当度过艰难的第六步，此时选择你要研究的方向，如果你想做后端开发，不妨研究研究Django，再往后，就是你自己自由发挥了。&/p&&p&&br&&/p&&p&---&/p&&p&画外音：收藏的大兄弟不妨点个赞呀！&/p&&p&用数据讲故事：&a href=&/people/sgai/activities& class=&internal&&路人甲 - 知乎&/a&&/p&&p&编程专栏：&a href=&/passer& class=&internal&&学习编程 - 知乎专栏&/a&&/p&
无意中听我们院长大人说：Python是一门神奇的语言，在此之前我已经对C/C++/Java等几门语言有了一定得了解和掌握，并做过一些小项目。 学习Python大致可以分为以下几个阶段：1.刚上手的时候肯定是先过一遍Python最基本的知识，比如说：变量、数据结构、语法…
&p&我考的是北大理工类专业。第一次考研失败了，惨败。第二次考研，专业课第一，英语第一，总分第一。&/p&&p&我常常会想，为什么有些人考研能成功，有些人考研却失败了？我发现人与人之间的差别很大，由于缺乏第一手资料，很难想通。即便亲身经历的这次惨败和成功，我却是几年之后才想明白成败的原因。&/p&&p&下面直接说忠告，教训，供你参考。&/p&&p&利弗莫尔，这位曾经近乎做空美国的华尔街投机之王说过：&/p&&blockquote&“在所有游戏中，&b&唯一&/b&真正需要在行动前做好准备的恰恰是&b&准备本身&/b&。有些人在用他一半的财产冒险时，用来准备的时间还没有买一辆平价汽车考虑的时间久”（《股票大作手回忆录》p99）。&/blockquote&&p&要知道利弗莫尔所说的这句话，是经历过破产的惨痛教训总结出来的。&/p&&p&在所有的准备中，心理上的准备最重要。&/p&&br&&h2&&b&1.给自己一个压倒一切的理由&/b&&/h2&&p&90%的人在考研道路上，左摇右摆，犹豫不决。时而热情满满，时而懈怠如烂泥。因此，考不上的人大多是三心二意的。&/p&&p&决心是做任何事情最难的部分。&/p&&p&决心不是空洞的，不是靠打鸡血能打出来的。&/p&&p&&b&决心来自一个明确、具体的理由。&/b&&/p&&p&&b&记住是一个理由，唯一的理由，不是许多理由。&/b&&/p&&p&&b&对于重要的事情，做或者不做，一个有力的理由已经足够。&/b&&/p&&p&&b&理由多了，只是意味着你完全没有把握住根本。&/b&&/p&&p&学业、事业、爱情，莫不如此。&/p&&p&比如我一兄弟本科北大，硕士保送本校，但高中时期的女友大学却在南方，两人长期分离两地。与许多小说不同，女生后来考上北大硕士了。在一起，就是压倒一切的理由。&/p&&p&我在大学四年糊里糊涂的走过，放纵不羁爱自由追求自己的各种兴趣，大四了才想到很想做研究。于是考研，于是失败。第一次考研失败之后的很长一段时间，我发现，只有在北大我才能做我想做的研究。认识到这一点，考研的一切，都成了必须，是唯一。不是“或许”、“大概”、“可能”、“试试看”，而是唯一，是必须。&/p&&p&如果唯一了，事情就简单多了。否则，就要面对大脑中理不清的各种混乱。&/p&&p&巴菲特要申请哈佛，是因为他要结识精英。被哈佛拒掉之后，他申请哥伦比亚大学金融系，成功了。他的目标是师从投资大师格雷厄姆。无论是哪一种，他的理由都足够清晰。&/p&&p&产生决心的理由，跟崇高无关。即便一个人仅仅是为了面子而决心做一件事，都是令人尊敬的。因为，尊严是人性的刚需，且永远不变。&/p&&p&当然，我并非建议你一定考研，有想法有魄力的人，无处不辉煌。号称亚洲电子大帝的孙正义在加州伯克利本科毕业之后立即返回日本，连毕业证都不拿，更何况读研。那是因为他有清晰的目标：成为日本第一的企业家。&/p&&p&我有个读研的兄弟非常后悔，因为他考上北航本校研究生之后才发现读研并不是自己的必需。当然，网上随便搜一搜，会找到许多读研后悔人的故事。所以，无论是否考研，要给自己一个压倒一切的理由。&/p&&p&如果没有，那么如果你成功了，说明你学习能力超强，失败了，也纯属正常。&/p&&p&如果没有，也可以走上考研之路，就当是人生的一段旅程。无论成败，都是经历，但一定记得汲取教训。&/p&&p&要知道，你的教训不是用时间换来的，而是用生命。&/p&&p&要知道，任何人汲取自己生命中的教训都绝不是容易的事情。&/p&&p&要知道，许多人即便后悔无数次直到老去，却仍然没有学会汲取教训。&/p&&p&考研之所以比高考更难是因为，高考对于绝大多数人没有选择，方向是明确的。考研是在各种可能性下面做出的选择，或者考，或者不考，而且有退路。所以容易动摇。&/p&&p&所以，如果你有一个压倒一切的考研理由，那么你已经抛却了90%的对手。赢得了90%左摇右摆中浪费的精力。&/p&&p&记得利弗莫尔这段话：&/p&&blockquote&&b&“&/b&在我分析研究了自己做交易的结症之后，我懂得了自己需要做的不是去研读股市的行情走势，而是&b&先要读懂自己&/b&。&b&一番深刻的自我剖析之后，我终于得出结论，如果我不摆脱自己的忧心忡忡，就无法做出任何有意义的事情”（《股票大作手回忆录》p145）。&/b&&/blockquote&&p&&b&人生中的许多时刻，你想兼顾，却只是作茧自缚。&/b&&/p&&p&&b&给自己一个压倒一切的理由。&/b&&/p&&p&&b&冲破一个缺口，你会看到不一样的世界。&/b&&/p&&br&&h2&&b&2.&/b& &b&知己知彼&/b&&/h2&&p&那天，一群朋友在一起，有人在黑板上出一道挺难的微积分题目，其他人都在埋头演算，有的人在黑板上写写画画面对挑战。我有一个师弟，站在远处盯着这道题目嘴唇微动，然后报了个答案。其他人笔算验证他的答案是对的。&/p&&p&我还有个师弟，考研那几天刚好感冒，到数学那科，头疼流鼻涕。他数学考了接近满分，149。&/p&&p&后面我会告诉你，他们是怎样做到的。&/p&&p&在此之前，你要明白：&/p&&p&想考一个很牛的学校，很牛的专业，说明你有雄心壮志，但要知道，你面临的是怎样的对手。&/p&&p&除了给自己一个压倒性的理由之外，你还需要做更多的准备。&/p&&p&记住，&/p&&p&&b&许多人都不知道自己在干什么。&/b&&/p&&p&&b&要不断问自己，“你究竟在干什么？”&/b&&/p&&p&你可以不断得到可疑的答案，肯定的答案，你不断有收获，但你永远得不到终极答案。&/p&&p&《点球成金》里有句名言，&/p&&p&&b&“我们对自己从事一生的事情之无知程度，是令人震惊的。”&/b&&/p&&p&你很快会发现，这句话是何等正确。&/p&&br&&h2&&b&3.准备足够的资源&/b&&/h2&&p&80%的人在资源上出了问题。&/p&&p&要知道，在向每一个人生目标发起冲击的时候，都是一场战争。仅有战术上的重视是不够的，因为许多人在战略上已经输了。&/p&&p&更多的时间，就多一分胜算。&/p&&p&多一些物质资源，就多一分胜算。&/p&&p&利用时间的正确方式是，每一天都有具体目标，有一个Deadline，有个目标截止时间。如果你不懂得定一天的目标，不懂得如何达成一天的目标，你如何确定能达成考研目标，以及任何其他人生目标。&/p&&p&努力达成一天的目标后，你会睡得香甜。回顾一天，感到愉悦。否则，可能会寝食不安，噩梦连连。&/p&&p&多一些物质资源，最终也是为了赢得时间。如果资金储备不足，你行动的时候会有各种各样的顾虑。&/p&&p&《三国演义》里最精彩的大战不是火烧赤壁，不是长坂坡的横枪立马杀退百万兵。最精彩的是定军山之战。赵云和黄忠两元五虎上将奉诸葛亮之命，去烧曹操大军的粮仓。而曹操平生最善于断敌人粮草，最防备的就是被人烧粮劫粮。结果，曹操惨败，刘备自封汉中王。&/p&&p&兵马未动粮草先行。&/p&&p&否则就是悲剧。&/p&&br&&h2&&b&4.不要跟难兄难弟闺蜜好友瞎聊，除非必要&/b&&/h2&&p&这么说是有科学依据的。TED有个演讲，题目是“下定决心的目标可别告诉别人”，建议你看看。&/p&&p&心理学测试证明，说出目标会降低你实现目标的行动力。因为你会提前感受到喜悦，所以你真的以为你已经实现了，起码在一短时间里。&/p&&p&人就是这么奇葩的动物，没办法。&/p&&p&关于人生目标，好朋友会鼓励你，一般的朋友会质疑你，还有不睬你的。&/p&&p&质疑、不睬与不屑，都是负能量，你懂得。&/p&&p&鼓励和安慰，有用吗？对于意志不坚的人，这些都令人泄气。这是你一个人的战斗。人生中的许多事都是如此。&/p&&p&如果有亲人，有朋友，不对你加以任何评论和建议，只是用行动默默支持你。那么祝福你，这是人生中最幸福的事情。&/p&&p&你的成功，容易找到人分享。&/p&&p&你的失败，没人能抚慰，只能独自品尝。&/p&&br&&h2&&b&5.不要看书&/b&&/h2&&p&许多考研的人，时不时的抱着一本考研相关的书在看。每当看到这种情况的时候，我都在心里摇头。在我看来，处于这种状态，基本上是考不上的。因为他们从根本上不知道学习为何物，也不知道什么是努力。&/p&&p&如果是我的兄弟在这么干，我会走过去，直接把他的书扔掉。你可能以为我疯了，实际上，我却在救他的命。因为，如此看书等于浪费时间，浪费时间等于浪费生命。改掉他看书的方式就等于救他的命。&/p&&p&高二那年，我弄了一本新的参考书。我班学霸大威（大学时成了兄弟，后来读清华，后来去美国）从我这里把书借走。我当时倍感荣幸，这么牛的人看上我的参考书了，说明我有眼光嘛。很快，当他把书还回来的时候，我愣住了。书里面的题目上都写满了答案，空白处是密密麻麻的标注。对我来说，这本书算是废了。&/p&&p&这个情景我念念不忘。起初第一个想法是，你老兄得学会尊重我啊，这是我的书哎。过了很久，我才明白，我实在应该好好珍藏那本参考书。&/p&&p&许多人看过的书，居然跟新的一样。学习对他们而言，就是翻翻书、看看里面的文字图画。（当然不排除有些人书籍保护的特别好，写满标记还是整整齐齐的。）但是，这位老兄不同。到了他手上的资料，终究会呈萎靡不振状，可以直接扔到垃圾桶了。仿佛书中的生命都被他吸走榨干一样。&/p&&p&很久之后，我才知道还有更绝的。有些人不是读书，而是撕书。把一页书完全融入大脑之后，果断撕下来扔掉。那叫自信，也叫明志。对于这样的人，在撕掉一页书之前必定会不停的问自己这样的问题，“这页纸上的东西我都记住了吗？是不是不会再忘记了？是不是完全理解了？”撕书就是逼着自己对这样的问题作出肯定的回答。&/p&&p&再很久很久以后，我发现，“看书”是个害人的词儿。书是不能看的。绝大多数可以看看的书，是可看可不看的。消磨时间，看着玩儿，看哪一本都一样。&/p&&p&真正重要的书，都是不能看的。因为仅仅是看，不解决问题，甚至是在浪费时间。因为，看书会给自己造成一种错觉，以为自己在学习，但实际上却什么都没学到。&/p&&p&重要的书可以画、可以标注、可以写、可以背、可以拆、可以撕、可以讨论、可以辩论、可以复述、可以评论、可以批判，但却不能看。&/p&&p&最后要记住，对于考研来说，看书就是浪费时间。必须动笔！&/p&&br&&h2&&b&6.慎选学习方法&/b&&/h2&&p&许多人都把一分耕耘一分收获挂在嘴边，有些人把天道酬勤四字装裱的很漂亮贴在办公室墙壁上，显得很踏实、很勤奋、或者很有文化。而稍微动动脑子就会发现，这两个观点是何等的错误，且不知误导了多少人。&/p&&p&想想看，任何你熟悉的事情，劳而无功不是很常见的吗？如果凭勤奋凭苦干就能如愿，那么这世界上的富豪、精英应该是农民、矿工才对。&/p&&p&人生中的许多事情是没有苦劳的。&/p&&p&所以，你必须慎重对待自己的学习方法。&/p&&p&你要问自己，有没有用学习方法？如果你没有用学习方法，完全凭着自己感觉在学。你应该知道，这意味着什么。这意味着，在学习这件事儿上，你根本没找到门。对于农民，这意味着颗粒无收。对于矿工，这意味着葬身矿井。对于渔民，这意味着葬身大海。对于商人，这意味着倾家荡产。对于政客，这意味着身败名裂，深陷无妄之灾。&/p&&p&如果你在用某种学习方法，那么你要问自己，凭什么认为这个方法有效，而且高明？如果你给不出任何答案。那你依然是糊涂的。如果你是科学家，你会失败。如果你是商人，你会赔钱。如果你是政客，你会被虐。如果你如此考研，你该知道，你毫无胜算。&/p&&p&那么，现在你已知道，你必须运用高明的学习方法。&/p&&p&我们要问，什么是高明的学习方法？&/p&&p&高明的学习方法，是符合规律的，经过高手检验过的学习方法。&/p&&p&比如下面这些。&/p&&p&&b&（1）英语必背20篇文章&/b&&/p&&p&我走过了很长很长的弯路才发现背诵文章这个提分神技，不但对应试有奇效，而且对切实提升英语能力更加有效。我是理工科，高考的时候，英语在130分左右。刚刚已经说过，研究生入学考试，英语成绩在我所选专业排第一。&/p&&p&准备研究生英语考试的时候，我只熟练的背下来不足20篇文章，并且只做了这件事，加上准备过程中做了不足10套模拟题。&/p&&p&更详细的过程，我写在其它文章里了。供参考，供批判，供检验。其实这个方法，古往今来许多人已经发现，已经检验过了，比如辜鸿铭、丘吉尔、阿西莫夫、王强等等，我只不过是又踏踏实实的实践、检验、并总结了一遍。希望对你有用。&/p&&p&至于实施这个方法的详细过程和有效的原因，我已经在其他文章里写的足够详细。&/p&&p&一句话，学习的本质是基于模仿的反复练习。学，即模仿；习，即是操练。&/p&&p&如此说来，这个英语学习神技并非神技，只是符合学习本质的正常的学习方式而已。&/p&&p&如果这些言语扔不足以让你踏踏实实的行动检验它，那么我再送你一句话。&/p&&p&毕加索和乔布斯不断重复的一句话，“优秀者模仿，伟大者剽窃！”&/p&&br&&p&&b&（2）考研政治&/b&&/p&&p&政治可以当作小说看；做题可以当作脑筋急转弯；训练强度再大一些，可以当作阅读理解。总之可以用来当作专业课、英语数学这些内容学习的调节。&/p&&p&关于政治，我能提出的最好的建议是，把它当作人生思维的练习。很多人以为政治的内容很荒诞，其实他们不知道荒诞的是自己。如果你曾带着逆向思维，严肃的想要驳倒其中的任何一个观点，你会发现很难、很难，甚至做不到。能做到的人，考研政治就不是问题了。那说明他的见识面和思维能力足够强。&/p&&p&建议你读一本小说《天幕红尘》，可以当作考研政治的复习内容看，一天能读完。也许你会对考研政治的许多观点都会有不同以往的深入理解。&/p&&p&&b&（3）专业课下狠功夫&/b&&/p&&p&我没有提考研数学。因为我考的数学不是数一、数二、数三那种全国统一考试，而是很专业的数学。我的专业课考的是统计物理。二者属性一致，我就一起说了。我相信这样的课程，在所有专业里都是最难的。&/p&&p&我的做法是把书里面所有能推导，所有能证明的题目都证明一遍。把10年内的真题，至少做五遍。遍数很重要，因为熟能生巧。遍数又不重要，因为目的是熟。熟到看到题目，然后就是写字的时间。如果熟练到这种程度，感冒又算得了什么呢。&/p&&p&我的一位学弟 @童哲，福建省物理竞赛全省第一保送北京大学物理学院，参加高考考进去也毫无问题，后来又在物理学院本科考到世界名校巴黎高师（全世界诺奖比例最高的一所大学），回国之后创建了一个网络大学，万门。下面是他写的努力过程。 &/p&&blockquote&&b&可能有人要说类似于我的家庭环境多么利于考上北大。其实根本不是，为了考上北大，我高中前两年做完了47本物理竞赛教材！47本！很多做物理竞赛的人可能会觉得全中国的物理竞赛教材加起来都没有47本。不好意思，我就是找到了47本！还是在2004年之前出版的竞赛教材（我2004年参加全国决赛保送）。我觉得努力到一定程度，普通竞赛题看起来就像是十以内的乘除法，当时就是练到这样的感觉。&/b&&/blockquote&&p&你会觉得他说的很狂，故意炫耀？其实不是，本质上是为了刺激读者。可是你看过之后可能越发绝望，47本，还是物理竞赛教材，我做不到。那你能否从普通教材刷起呢？47本太多，还是做不到。这些其实都是借口。可以从一本，一个章节，一道题目刷起啊。再牛的人也是人，题目都是一道一道做的，字都是一笔一划写出来的。他只不过胡思乱想的时间少，提高效率了而已。&/p&&p&有朋友问我：很难的知识、理论、概念，看不懂，怎么办？答案是，纯属正常。上面我提到的那位师弟，没事儿就抄写定义。弄懂一个定义并不容易，对于任何人来说都是这样。只字不差的定义，加上刷题过程中的理解，二者反复迭代。你会不断有豁然开朗的感觉。要记得那种豁然开朗的感觉。每一次，都是一样的。你只需要不断重复那个过程。&/p&&br&&h2&&b&7.把握住任何可以把握的点滴&/b&&/h2&&p&人获得任何东西，都绝非易事。&/p&&p&看到一个事实，很难。&/p&&p&弄懂一个概念，很难。&/p&&p&理解一个道理，很难。&/p&&p&掌握一本书，很难。&/p&&p&练就一项技能，很难。&/p&&p&赚到一分钱，很难。&/p&&p&赢得一个人的尊重，很难。&/p&&p&维系一份感情，很难。&/p&&p&结识一个朋友，很难。&/p&&p&让我们所爱的人喜悦哪怕一次，都很难。&/p&&p&而相反的过程，却无比的简单。&/p&&p&记得利弗莫尔的这句话：&/p&&blockquote&&b&“一个人很可能把自己轻易得到的任何东西都花个精光”（《股票大作手回忆录》p157）。&/b&&/blockquote&&p&我把利弗莫尔的话改的更彻底：&/p&&p&&b&一个人很可能把自己得到的任何东西都花个精光，无论是轻易得来的还是历经艰辛。&/b&&/p&&p&不然我们无法理解，一个原本幸福的家庭为何破裂，一个国家何以解体，一个帝国何以轰然倒塌，一个明文何以彻底消失。&/p&&br&&p&我在高中时，由于种种经历发现，真正获得一丁点儿进步是何等的困难。&/p&&p&&b&我用了很长很长时间的艰难思索才发现，学习目的本质是为了进步。为了强调这一点，为了让我记住。我再重复一遍。学习的唯一本质目的是进步，没有进步就没有一切。&/b&&/p&&p&&b&因此，凡是不能直接导向学习进步的一切行为都是假的。包括看书，听课，做题，做笔记，讨论，等等。&/b&&/p&&p&&b&我从那段经历中获得的收获就是，把握住任何可以把握住的点滴，不做幻想。踏踏实实的行动，这种把握点滴进步能力会与日俱增，终会有排山倒海的力量。否则，一切就都是空中楼阁。&/b&&/p&&p&我高一的时候算半个学渣，总分距离学霸相差150多分，后来逆袭考入北大。中间经过了长期痛苦的思考，变革了整个的学习方法，以及努力的状态，直至把学习当成了玩耍。&/p&&p&简要描述那个思维过程。从我的经验看，这个思维过程对于一切学习阶段，即便是工作之后的学习都是适用的。&/p&&p&我当时冥思苦想，既然没有明显的进步，距离学霸相差150多分，那是什么原因？归结为智商，我不甘心。如果不是智商，那是什么原因？不努力，也不是。还有可能是什么原因？我想不清楚。于是，我想，学习的目的是什么？考好成绩，考好的大学。当然了，简直是废话。谁不想考好成绩，好大学呢。这种愿望的剧烈程度，对于有强烈上进心的人来说近乎是一样的。那么，一天的学习是为了什么？想来想去只有一个原因，是为了进步。那么，我的一天的进步在哪里，有多少进步呢？我发现，我根本弄不清楚。于是，我发现以往虽然很努力的在学习，但完全是糊里糊涂的在学习。于是，这就是结症。&/p&&p&所以，弄明白自己一天进步了多少，进步在哪里，就是唯一、必须做的事情。然后，我当天就开始做一个记录本。不是错题本，也不是课堂笔记。而是把一天所学的东西，无论是做错的题目，还是不会做但弄明白了题目，还有一些积累的零散知识点，都记录在一个本子上。晚上清点战果，复习、重做，保证记忆和理解。然后周期性的复习，直到不忘为止。&/p&&p&这个办法的精神就是以超越此前的自己为核心。&/p&&p&这就是伟大的老子在《道德经》里早已告诫过我们的，&/p&&blockquote&&b&“胜人者有力，自胜者强”。&/b&&/blockquote&&p&超过别人只能说明你有力量，而力量可能并非来自于你，比如有个特殊的爹；&/p&&p&超越自己才是真正的强者。&/p&&p&要超越自己，你必须跟各种不良习惯、人性的弱点、社会上流行的各种不太高明的观点作战！&/p&&p&&b&人生是一场战争，这战争更多的发生在自己的意识空间，发生在内心深处。&/b&&/p&&p&&b&人生也是一场游戏，那是战争之间的休憩。&/b&&/p&&p&&b&人生又是一场旅行，但你要等到刀枪入库、马放南山的那一天。&/b&&/p&&p&高中时代我曾孜孜以求中有所悟并贯彻到底的学习方法，后来我称之为自强学习法。&/p&&p&&b&不念过去，不畏将来，不失当下。大丈夫，以一日论成败。&/b&&/p&&p&就这样经过了一年多一点儿的时间，我完成了逆袭。以高于录取分数线60多分的成绩进入北大，获得新生奖学金。&/p&&p&许多学校都主张学生们做“错题本”、“订正本”、“错题集”。做比不做好。但绝大多数老师和学生，不得要领，流于形式。当然，这些名字也是有问题的。错题、订正，这些不是根本，进步才是根本。而导向进步的又绝不}
我要回帖
更多推荐
- ·如何联系网易客服在哪里找战网客服？
- ·网易人工服务中心战网客服电话是什么？
- ·龙腾世纪3审判天邈汉化中文设置
- ·暗黑4十大稀有暗金装备军帽哪里出
- ·梦幻西游白熊算个性吗熊本是谁
- ·如何正确开展院内护士礼仪视频的教育
- ·我有慢血肝怎样治疗，75岁老爷爷直播
- ·四字成语故事及解释的故事
- ·有点老人低血糖怎么办办？
- ·骨髓增生综合征异常综合征（MDS）为什么间接胆
- ·下题多连块题目怎么做？
- ·英语句子中什么时候so much more to say什么时候用much
- ·什么工厂大量使用除锈剂后如何清洗？
- ·为什么共线向量与共面向量一定是共面向量
- ·国庆假期去深圳小梅沙海洋世界界怎么样啊，就是深圳那边那个？
- ·九岁小女孩走路膝盖扭了一下嘎嘣一声嘎嘣嘎嘣响怎回事，不疼，怎么办
- ·车子平时ipad解锁两次home键响两次,可是现在响了好几次
- ·颈动脉结节可以吃紫菜吗请问甲状腺结节能吃海参吗
- ·acs510变频器说明书的说明书根acs510变频器说明书不一样呀，机器上没有ACM端子，那10V模拟量输入怎么接呢？请指点？
- ·让7~10小孩儿春夏秋冬喝怎样让蜂蜜不结晶水正确吗
- ·funs学的课程可以在电视上进行学习吗？
- ·谁是中国有多少白血病患者？
- ·想报名funs学的课程，晚上也可以学习吗？
- ·上 写的 十二岁 的 小孩儿手上起刺 脸上 长的 酒 刺 怎么 消除
- ·请问就是我审请的信用卡申请显示未审批第一次通过了。但是到了第二次在银行审核的时
- ·创客创新为主题作文作文
- ·德国用德语怎么写鱼钩二个字怎么写，写德语鱼钩二个字
- ·初三数学题目，求你们给详细的过程
- ·欠的好几家手机欠小贷公司钱几年失效的钱，从来没有逾期过，最近出点状况，钱全部赔进去了，欠小贷公司钱几年失效的都是几千几千的，把我通
- ·高中学数学的时候，考研数学要不要看课本在理解课本的基础上预习一下
- ·雁尾榫机易切瓷砖不崩边的切割片是什么原因
- ·米顿罗计量泵泵哪买的到？详细一点的有吗？
- ·米顿罗计量泵泵哪有卖？清楚的有吗？
- ·安凯客车官网用英语怎么说
- ·我棼见树上长了很多柿子长白点
- ·风力发电机工作原理图不稳定，老是跳闸
