update

MLMaterials.md

@@ -1,10 +1,10 @@
-##机器学习的一些资料
-###1. 机器学习与概率、统计学
-####1.1 公开课
+## 机器学习的一些资料
+### 1. 机器学习与概率、统计学
+#### 1.1 公开课
 1. [斯坦福机器学习入门课程](https://www.coursera.org/learn/machine-learning)，讲师为Andrew Ng，适合数学基础一般的人，适合入门，但是学完会发现只是懂个大概，也就相当于什么都不懂。
 2. Coursera上国立台湾大学[林轩田](https://www.coursera.org/instructor/htlin)开的两门课：[机器学习基石](https://www.coursera.org/course/ntumlone)（适合入门），[机器学习技法](https://www.coursera.org/course/ntumltwo)（适合提高）。
 
-####1.2 推荐书目
+#### 1.2 推荐书目
 统计和概率是机器学习的基础，所以统计和概率一定要学好。
 
 1. **推荐必读**   统计学和机器学习结合的入门书：[统计学习方法](https://github.com/jindongwang/MachineLearning/blob/master/books/2012.%E6%9D%8E%E8%88%AA.%E7%BB%9F%E8%AE%A1%E5%AD%A6%E4%B9%A0%E6%96%B9%E6%B3%95.pdf)，作者[李航](http://blog.sina.com.cn/u/2060750830)。这本书介绍了10个机器学习领域的代表性算法，讲的非常好，书本身也就200多页，很适合入门，强烈推荐。
@@ -18,7 +18,7 @@
 5. 学习统计不能不说的经典的[《统计学习基础》](https://github.com/jindongwang/MachineLearning/tree/master/books/Machine%20Learning)，我暂时还没看过。
 6. 以及业界久负盛名的PRML（模式识别与机器学习），我这里[中文英文版](https://github.com/jindongwang/MachineLearning/tree/master/books/Machine%20Learning)都有。
 
-####1.3. 工具
+#### 1.3. 工具
 * 第三方库
 	机器学习有很多开源库可以直接拿来用，github是个不错的获取代码的网站，比较著名的有：
     * [libsvm](https://github.com/cjlin1/libsvm)，作者是林轩田，是svm的标准库。
@@ -38,12 +38,12 @@ python、java以及matlab三种语言是目前比较流行的机器学习方面
 * 网上的教程
 这是在一个妹子的微信朋友圈看到的[文章](http://mp.weixin.qq.com/s?__biz=MjM5MjAxMDM4MA==&mid=205009516&idx=1&sn=c5b157ad3fac5c5551a210b0d7df82e6&scene=1&key=dffc561732c22651bb1642a345869d95ab71b4da7c9d7e4cbaf2b67a7b354b4fc8d6a6105171f7a8d0afde389529bb7f&ascene=1&uin=NjMzMjQzMTYw&devicetype=Windows+10&version=61020020&pass_ticket=ygVY8iy3pSYNZ2Rwe2FnXSQ5lRAKLeMmssjmRIlD4QYgBeYoE1OPVBL%2BfpjaKY0i)，很不错。妹子也很不错，不过还是随缘吧。
 
-###2. 数据挖掘
+### 2. 数据挖掘
 * 快速入门：看我去年考试写的总结[数据挖掘复习整理](https://github.com/jindongwang/MachineLearning/blob/master/books/Data%20Mining/%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E5%A4%8D%E4%B9%A0%E6%95%B4%E7%90%86.pdf)，可快速了解数据挖掘的相关概念。这个总结去年在雁栖湖传的很火，还有妹子给我发短信感谢。。。
 * 数据挖掘领域的经典著作：[数据挖掘：概念与技术](https://github.com/jindongwang/MachineLearning/blob/master/books/Data%20Mining/%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E6%A6%82%E5%BF%B5%E4%B8%8E%E6%8A%80%E6%9C%AF%EF%BC%88%E4%B8%AD%E6%96%87%E7%AC%AC%E4%B8%89%E7%89%88%EF%BC%89.pdf)，作者是[韩家炜](http://baike.baidu.com/link?url=UsI-yAamHGGNoe22xOWX7XjU-8eILnF4oQTP-2dysekLxDk6FleEefGc013or725zvos5Mach2j6cWEKcv2DF_)，是标准的上课教材，上一部分我的总结中对应的页码就是这个书里的。
 * 上课的ppt：我们老师当时上课用的[ppt](https://github.com/jindongwang/MachineLearning/tree/master/books/Data%20Mining/ppt)，可以翻看一下，也不多，就几大块，适合入门，对于理解概念非常有帮助。
 
-###3. 人工智能
+### 3. 人工智能
 * 快速入门：可以看我们当时上课的[ppt](https://github.com/jindongwang/MachineLearning/tree/master/books/AI/ppt)，大概对AI有一些了解（这个ppt有好多部分都是直接截图了李航的统计学习方法）。
 * 教材：著名的教材[人工智能：一种现代方法](https://github.com/jindongwang/MachineLearning/blob/master/books/AI/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%9A%E4%B8%80%E7%A7%8D%E7%8E%B0%E4%BB%A3%E6%96%B9%E6%B3%95%EF%BC%88%E7%AC%AC2%E7%89%88%EF%BC%89%E9%83%A8%E5%88%861.pdf)，很厚，可以翻看。
 

README.md

@@ -1,20 +1,27 @@
-##一些机器学习的资源
+## 一些机器学习的资源
 
-####*关于行为识别的资料，请看我最新增加的这个地址*:[行为识别](https://github.com/jindongwang/activityrecognition)。
+### [近200篇机器学习资料汇总！](https://zhuanlan.zhihu.com/p/26136757)
 
-####1.[机器学习入门资料](https://github.com/jindongwang/MachineLearning/blob/master/MLMaterials.md)
+###  [我刚做的迁移学习中文简介ppt](http://jd92.wang/assets/files/l08_tl_zh.pdf)
 
-####2.[东京大学同学做的人机交互报告](https://github.com/jindongwang/MachineLearning/blob/master/FieldResearchinChina927-104.pdf)
+#### *关于行为识别的资料，请看我最新增加的这个地址*:[行为识别](https://github.com/jindongwang/activityrecognition)。
+最新增加的简介：[什么是行为感知？](https://github.com/jindongwang/activityrecognition/blob/master/%E8%A1%8C%E4%B8%BA%E8%AF%86%E5%88%AB%E7%AE%80%E4%BB%8B.md)
 
-####3.[我做的人机交互简介](https://github.com/jindongwang/HCI)
+#### 1.[机器学习入门资料](https://github.com/jindongwang/MachineLearning/blob/master/MLMaterials.md)
 
-####4.[我做的迁移学习学术报告](https://github.com/jindongwang/MachineLearning/blob/master/TransferLearning.pdf)
+#### 2.[东京大学同学做的人机交互报告](https://github.com/jindongwang/MachineLearning/blob/master/FieldResearchinChina927-104.pdf)
 
-####6.[人机交互与创业论坛](https://github.com/jindongwang/MachineLearning/blob/master/%E4%BA%BA%E6%9C%BA%E4%BA%A4%E4%BA%92%E4%B8%8E%E5%88%9B%E4%B8%9A%E8%AE%BA%E5%9D%9B.md)
+#### 3.[我做的人机交互简介](https://github.com/jindongwang/HCI)
 
-####7.[迁移学习简介](https://github.com/jindongwang/MachineLearning/blob/master/%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E7%AE%80%E4%BB%8B.md)
+#### 4.[我做的迁移学习学术报告](https://github.com/jindongwang/MachineLearning/blob/master/TransferLearning.pdf)
 
-###1.关于技术本身的情况
+#### 6.[人机交互与创业论坛](https://github.com/jindongwang/MachineLearning/blob/master/%E4%BA%BA%E6%9C%BA%E4%BA%A4%E4%BA%92%E4%B8%8E%E5%88%9B%E4%B8%9A%E8%AE%BA%E5%9D%9B.md)
+
+#### 7.[迁移学习简介](https://github.com/jindongwang/MachineLearning/blob/master/%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E7%AE%80%E4%BB%8B.md)
+
+#### 8. [职场机器学习入门](https://github.com/jindongwang/MachineLearning/blob/master/%E8%81%8C%E5%9C%BA-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8.md)
+
+1.关于技术本身的情况
 
 1.1 Machine Learning的一些理解
 * 机器学习的概念自不用多说。这里我仅提到一点，机器学习在学科分类上是属于实现人工智能的一种重要方法，注定它和AI是不可分的。其实，传统的AI一直都侧重解决三个步骤的问题：知识的表示、知识的获取和知识的学习。其中，机器学习涵盖了知识的获取和学习两大部分，是AI的核心部分。其实说白了，ML解决的就是怎么从已知推断未知，它走的是归纳（induction）这个自上而下的过程，AI中还有一个相对立的知识体系叫做演绎（deduction），这个主要是自动推理的范畴，和机器学习基本关系不大，是较独立的一支。
@@ -44,7 +51,7 @@
   基本就是确定研究问题——采集数据——人工标注——选择模型和算法——看结果调参数
 
 
-###2.数据采集方面
+2.数据采集方面
 
 2.1 目前的情况是，需要提前想好需要采集的数据，并配合相应的设备进行采集。在人体健康方面主要的依据是医学期刊与会议文章中的特征知识，比如，根据医学知识，患有抑郁症的病人其走路会不稳当且走路很慢，这就是依据，根据这些可以基本确定要采集的数据类型及sensor。
 

职场-机器学习入门.md

@@ -0,0 +1,79 @@
+## 写给职场人的机器学习入门
+
+> 机器学习和人工智能是当前计算机领域最炙手可热的方向。随着深度学习和强化学习的大热，这一拨浪潮也在持续升高。本文作者是计算机领域机器学习方向在读博士生，在本文中分享自己在这个领域的一些浅见。本文主要针对职场人，帮助他们快速找到突破口，轻松入门。
+
+### 本文的组织结构
+
+- - -
+
+是什么——机器学习概念的入门
+
+为什么——为什么要用机器学习
+
+怎么办之一——语言与环境
+
+怎么办之二——实际项目推荐
+
+怎么办之三——面试问题汇总
+
+#### 是什么——机器学习概念的入门
+
+- - -
+
+1. 什么是机器学习？或者说，机器学习的本质是什么？
+2. 机器学习的基本流程是什么？
+3. 机器学习的分类有哪些？
+4. 深度学习和机器学习的关系？
+5. [机器学习的一些数学必备要点](http://www.cnblogs.com/LeftNotEasy/tag/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/)：梯度下降，拉格朗日对偶，矩阵的基本概念，概率分布函数等。
+6. [偏差和方差](https://www.zhihu.com/question/27068705)、[交叉验证](http://blog.csdn.net/holybin/article/details/27185659)是什么？
+7. 对特征的理解及常用的特征提取方式。——参照我的第二次知乎Live：[特征工程的PPT](http://jd92.wang/assets/files/l07_zhihu_fe.pdf)
+8. 深度学习几种常用模型的[基本理解](http://blog.sciencenet.cn/blog-4099-785174.html)和中文版本的[研究综述](https://www.jianguoyun.com/p/DWHm4BkQjKnsBRjokio)。
+
+以上1-4个要点全部在我的[第一次知乎live的PPT](http://jd92.wang/assets/files/l06_zhihu_ml.pdf)里可以找到答案。
+
+#### 为什么——为什么要用机器学习
+
+- - -
+
+1. 大数据、大计算资源，需要从数据中学习出模式；
+2. 传统的经验方式并不可靠，目前是数据驱动。
+
+也可以参照我的第一次知乎Live的PPT。
+
+#### 怎么办之一——语言与环境
+
+- - -
+
+1. 机器学习常用Python、R和Matlab作为主力语言，我们主要推荐Python；
+2. 目前比较火的库：Scikit-learn，Tensorflow，Torch，Caffe，Keras，CNTK等，要大概了解它们主要用来干嘛的，能说出来一二。
+3. Python下Anaconda集成科学计算环境是比较推荐的，集成的Numpy和Scipy是做数学计算的常用库，Matplotlib是画图工具。
+
+#### 怎么办之二——实际项目推荐
+
+- - -
+
+1. Scikit-learn上的几个不同领域的自带数据集用来模拟：
+
+- Iris——最简单的数据集，做分类
+- Digits——数字图片识别
+- 20newsgroup——文本，做向量化后分类
+
+使用这些数据集很好地练习机器学习的训练/测试集分开，调参与建模的基本能力。
+
+2. Kaggle上的入门级竞赛用来练手
+
+- [Python+scikit-learn基本功](https://www.kaggle.com/c/data-science-london-scikit-learn)——练习scikit-learn的基本分类问题
+- [自行车租赁](https://www.kaggle.com/c/bike-sharing-demand)——简单的回归问题，用来训练基本的预处理、特征提取、建模和说通
+- [手写体识别](https://www.kaggle.com/c/digit-recognizer)——练习简单的图片分类，可以与tensorflow结合跑一下深度学习
+
+练习这些案例，从头开始做机器学习整个流程，能够有一个基本的了解。
+
+#### 怎么办之三——面试问题汇总
+
+- - -
+
+1. [具体知识点面试题及答案](http://www.codeceo.com/article/machine-learn-algorithm-interview.html)
+2. [比较高层一些的面试题及答案](http://www.ppvke.com/Blog/archives/38175)
+3. [特定知识点面试题及答案](http://www.jianshu.com/p/2ae170c1e0ad)
+4. [科技巨头最新的常用面试题](https://zhuanlan.zhihu.com/p/25860706)
+5. [知乎上的问题解答](https://www.zhihu.com/question/23259302)