什么是学习机器学习的良好的第一个实现？

Question

我发现学习新主题最好用一个简单的代码实现来获得想法。这就是我学习遗传算法和遗传编程的方法。什么是一些很好的入门程序来开始机器学习？

最好让任何引用的资源可以在线访问，以便社区可以受益

Answer 1

您将使用哪种语言？如果你很灵活，我推荐Matlab，python和R作为好人选。这些是用于开发和评估算法的一些常用语言。它们有助于快速算法开发和评估，数据处理和可视化。大多数流行的ML算法也可用作库（带源）。

我首先关注R2中的基本分类和/或聚类练习。它更容易可视化，通常足以探索ML中的问题，如风险，类不平衡，嘈杂标签，在线与离线培训等。从日常生活中创建数据集，或者您感兴趣的问题。或者使用像Iris数据集一样经典，因此您可以将您的进度与已发表的文献进行比较。您可以在以下位置找到Iris数据集：

• http://en.wikipedia.org/wiki/Iris_flower_data_set或
• http://archive.ics.uci.edu/ml/datasets/Iris

它的一个很好的特点是它有一个类'setosa'，可以很容易地与其他类线性分离。

一旦选择了几个有趣的数据集，首先要实现一些标准分类器并检查它们的性能。这是一个很好的分类器列表：

• k-最近邻居
• 线性判别分析
• 决策树（例如，C4.5）
• 支持向量机（例如，通过LibSVM）
• 提升（带树桩）
• 天真的贝叶斯分类器

使用Iris数据集和我提到的其中一种语言，您可以轻松地使用任何分类器进行小型研究（几分钟到几小时，具体取决于您的速度）。

编辑：你可以谷歌“虹膜数据分类”找到很多例子。以下是Mathworks使用Iris数据集的分类演示文档：

http://www.mathworks.com/products/statistics/demos.html?file=/products/demos/shipping/stats/classdemo.html

Answer 2

我认为你可以为垃圾邮件过滤编写一个“Naive Bayes”分类器。 你可以从这本书中获得很多信息。

http://nlp.stanford.edu/IR-book/information-retrieval-book.html

Answer 3

决策树。它经常用于分类任务，并有很多变种。 Tom Mitchell的书是实现它的一个很好的参考。

Answer 4

神经网络可能是最容易实现的东西，它们在整个文献中都得到了相当全面的介绍。

Answer 5

有一种叫书的东西;你熟悉那些吗？二十年前我在探索人工智能时，有很多书。我想现在互联网存在，书籍陈旧，但你可以在一个古老的图书馆找到一些。