Ⅰ 数据挖掘工程师需要懂哪些知识
1、需要理解主流机器学习算法的原理和应用。
2、需要熟悉至少一门编程语言如(python、C、C++、Java、Delphi等)。
3、需要理解数据库原理，能够熟练操作至少一种数据库(Mysql、SQL、DB2、Oracle等)，能够明白MapRece的原理操作以及熟练使用Hadoop系列工具更好。
4、经典图书推荐：《数据挖掘概念与技术》、《机器学习实战》、《人工智能及其应用》、《数据库系统概论》、《算法导论》、《Web数据挖掘》、《 Python标准库》、《thinking in Java》、《Thinking in C++》、《数据结构》等。
Ⅱ 机器学习的算法和普通《算法导论》里的算法有什么本质上的异同
作者：董可人
链接：http://www.hu.com/question/24976006/answer/29682806
来源：知乎
着作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
算法导论里的算法本质上是对有精确解的问题，如何更有效率地求得这个解。这个效率可以是计算时间更短，也可以是计算过程所需要的空间更少。
一个简单的例子是，给定一个乱序数组，如何快速的将其按从小到大的顺序重新排列，或者找到其中的中位数。这些问题都有确定且唯一的答案，一般都会有一个笨方法（穷举或遍历），只要一步一步来就可以解，所谓算法只是如何精简步骤，更快更省事地找到这个解。这些算法处理的数据也都是结构简洁且干净的类型，比如数组，二叉树，图之类的数据结构。数据规模对于这些算法而言，影响的是计算所需的时间和空间，不会因为规模改变而影响算法本身的逻辑以及计算的结果。
机器学习要解决的问题一般没有精确解，也不能用穷举或遍历这种步骤明确的方法找到解，而且需要强调的是“学习”这个属性，即希望算法本身能够根据给定的数据或计算环境的改变而动态的发现新的规律，甚至改变算法程序的逻辑和行为。
举例来说，可以是把一千份文档归类到不同的几个类别里。最简单的可以是给定几个类别，比如新闻，小说，诗歌等，算法来根据文章内容自动划分到对应的类别里。这里可以看出这个问题即使让人做，也有很多模糊不能确定的地方，比如一篇法制晚报上的犯罪纪实是应该划到新闻，还是小说呢？或者说一篇长诗比如荷马史诗是应该归在小说还是诗歌呢？机器学习算法想要解决的，就是根据从文章内容里找到的规律，来自动的给出一个划分。而不同算法可以给出不同的解，这些解都可以是“正确”的，所以一般还需要人为设计一个评判标准来决定孰优孰劣。
也可以不事先给定类别，而是让算法自己去发现文章中的规律，把相似度高的文章划分到一起。这样不同的算法可能给出不同数量的类别划分，可能是三个，四个，或者五个，也都可以是“正确”的划分。甚至什么是“相似度”，不同算法也可以给出不同解释，可以是名词动词形容词的词频及比例，也可以是句子的语法结构等。
更进一步的，你可能还希望这个算法能够用来判断一份新的文档的类别。而输入的新文档越多，也会进一步扩大初始数据集的规模，规模变大以后，原来数据中不明显的规律可能就变明显了。比如说原来一千份文档中只有一篇议论文，可能大多算法都无法把它单独划出一个类别，但当你持续输入一百份议论文后，数据中议论文的比例就变成了101/1100，差不多10%，这时候算法就应该划分出单独的议论文类别。在这个意义上，数据本身也对算法有很大的影响，这也是和算法导论中的算法的一个本质区别。
技术上说，算法导论中的算法关注点在数据结构和计算复杂度，属于离散数学的一个分支，不涉及微积分等高等数学概念。机器学习的算法本身是基于概率，统计和优化（optimization）等理论和技术，从这个角度上说给人感觉更“数学”一点。
在具体的实现细节上，机器学习的算法会大量应用算法导论中的技术来改进计算效率。但需要强调这仅仅是对底层实现来说，在算法本身的逻辑上，二者没有太多联系。换句话说，算法导论中的技术可以帮助你写出更快的程序来运行机器学习算法，但是这对机器学习要解决的问题本身是没有什么帮助的。熟练使用二叉树散列表，准确估算一个图算法的复杂度，都没有任何可能帮助你猜到在女朋友过生日时送什么礼物最好（使用了机器学习算法的淘宝君却很可能知道！）。因此不要把它们看成是搭积木拼构件的关系。
最后，如果以上解释仍然让你费解，那么还有一个更通俗的解释：算法导论是教你如何数数，而机器学习基本上相当于星座算命。一个很机械，一个靠忽悠，差不多就是这样吧。
具体分析见链接：http://www.hu.com/question/24976006
Ⅲ 机器学习的书看不懂怎么办
1：个人觉得李航的《统计学习方法》还算可以，属于基本的机器学习入门书籍。
2：具体可以结合andrew ng的机器学习视频看--->可以去网易公开课找到，斯坦福大学机器学习
3：尝试实现一些最基础的算法。最简单的比如朴素贝叶斯分类器，我当年实现第一个机器学习算法，现在想想还是很激动的。后面的像SVM，决策树也可以试试。
4：一定要做一点应用，不然，感觉都是理论，一点感觉都不会有的。比如上面的朴素贝叶斯分类器就可以做一个垃圾邮件过滤系统。
5：还有一本书似乎是韩家炜的数据挖掘导论，没读过，但是网上推荐挺多的。
6：等你到了一定水平，就可以啃啃PRML了，这个太经典了，有点类似算法中的算法导论
Ⅳ 华为首席科学家李航博士：我是怎么样理解机器学习的
1：个人觉得李航的《统计学习方法》还算可以，属于基本的机器学习入门书籍。2：具体可以结合andrewng的机器学习视频看--->可以去网易公开课找到，斯坦福大学机器学习3：尝试实现一些最基础的算法。最简单的比如朴素贝叶斯分类器，我当年实现第一个机器学习算法，现在想想还是很激动的。后面的像SVM，决策树也可以试试。4：一定要做一点应用，不然，感觉都是理论，一点感觉都不会有的。比如上面的朴素贝叶斯分类器就可以做一个垃圾邮件过滤系统。5：还有一本书似乎是韩家炜的数据挖掘导论，没读过，但是网上推荐挺多的。6：等你到了一定水平，就可以啃啃PRML了，这个太经典了，有点类似算法中的算法导论7：至于后来，好吧，我还在啃PRML。。。。让其他人说吧。。。
Ⅳ 系统的学习人工智能需要学习什么
人工智能是一个包含很多学科的交叉学科，你需要了解计算机的知识、信息论、控制论、图论、心理学、生物学、热力学，要有一定的哲学基础，有科学方法论作保障。人工智能学习路线最新版本在此奉上：
首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析；
其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；
当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；
算法很多需要时间的积累。
然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件，一些电类基础课必不可少；
人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。
刚才提到的这些学科的每一门都是博大精深的，但同时很多事物都是相通的，你学了很多知识有了一定的基础的时候再看相关知识就会触类旁通，很容易。在这中间关键是要有自己的思考，不能人云亦云。毕竟，人工智能是一个正在发展并具有无穷挑战和乐趣的学科。
人工智能的首选语言是Python，因此大家一定要学好Python语言。人工智能学习的重点是机器学习：
1、斯坦福大学公开课 ：机器学习课程
2、数据分析竞赛kaggle
3、Deep learning-author Joshua Bengio
机器学习书单python实战编程
1、Python for Data Analysis
2、SciPy and NumPy
3、Machine Learning for Hackers
4、Machine Learning in Action
Ⅵ 初步学习Java大数据需要看什么书吗
从入门到精通
Ⅶ 有哪些数据分析、数据挖掘的书推荐下
1. 深入浅出数据分析 (豆瓣) 这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。
难易程度：非常易。
2. 啤酒与尿布 (豆瓣) 通过案例来说事情，而且是最经典的例子。
难易程度：非常易。
3. 数据之美 (豆瓣) 一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。
难易程度：易。
4. 集体智慧编程 (豆瓣) 学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。
难易程度：中。
5. Machine Learning in Action (豆瓣) 用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博： @王斌_ICTIR）已经翻译这本书了 机器学习实战 (豆瓣)。这本书本身质量就很高，王老师的翻译质量也很高。
难易程度：中。
6. 推荐系统实践 (豆瓣) 这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。
难易程度：中上。
7. 数据挖掘导论 (豆瓣) 最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。
难易程度：中上。
8. The Elements of Statistical Learning (豆瓣) 这本书有对应的中文版：统计学习基础 (豆瓣)。书中配有R包，非常赞！可以参照着代码学习算法。
难易程度：难。
9. 统计学习方法 (豆瓣) 李航老师的扛鼎之作，强烈推荐。
难易程度：难。
10. Pattern Recognition And Machine Learning (豆瓣) 经典中的经典。
这些都是在“绿色BI论坛”http://www.powerbibbs.com 找到的，这个论坛经常有数据分析的干货分享，你可以看一下。
Ⅷ 如何通过自学，成为数据挖掘"高手
需要理解主流机器学习算法的原理和应用。
需要熟悉至少一门编程语言如（Python、C、C++、Java、Delphi等）。
需要理解数据库原理，能够熟练操作至少一种数据库（Mysql、SQL、DB2、Oracle等），能够明白MapRece的原理操作以及熟练使用Hadoop系列工具更好。
经典图书推荐：《数据挖掘概念与技术》、《机器学习实战》、《人工智能及其应用》、《数据库系统概论》、《算法导论》、《Web数据挖掘》、《 Python标准库》、《thinking in Java》、《Thinking in C++》、《数据结构》等。
数据挖掘涵盖面很广，系统的学习个人建议依照以下路线：
找一本教材，个人推荐李航的《统计机器学习》
可以去看网易上关于机器学习的公开课，超级棒。结合教材和视频，将机器学习算法的公式推一遍，然后用Matlab或者python跑一跑数据，找点感觉。
对于数学也要加强，特别在概率论方面。
上面说的是机器学习，其实已经包括了数据挖掘的大部分，在上面了解的差不多之后 ，可以试着去做一些有意思的项目，比如去分析女神的微博情感，或者参加一些数据挖掘比赛，kaggle上有很多比赛可以去做。
如果你想从事数据挖掘，你必须具备：数据挖掘模型、算法的数学知识以及一些数据分析软件（SPSS、SAS、matlab、clementine）
一些数据库相关的知识（oracle、mySQL）了解市场、其它部门需求当然这些都是一点一滴积累起来的，没必要一蹴而就，特别是对市场、行业的了解以及对公司其它部门的需求的理解非常重要，这决定了你能否从基础的分析人员上升到产品层、决策层，都是要在实际的工作中积累起来的。
Ⅸ 初学者如何学算法
先看看两本书，一本数据结构，一本离散数学。。。看完以后你就会。。。。
Ⅹ 机器学习学习路径都需要看那些书
机器学习的学习应该看哪些书籍
1：个人觉得李航的《统计学习方法》还算可以，属于基本的机器学习入门书籍。
2：具体可以结合andrew ng的机器学习视频看--->可以去网易公开课找到，斯坦福大学机器学习
3：尝试实现一些最基础的算法。最简单的比如朴素贝叶斯分类器，我当年实现第一个机器学习算法，现在想想还是很激动的。后面的像SVM，决策树也可以试试。
4：一定要做一点应用，不然，感觉都是理论，一点感觉都不会有的。比如上面的朴素贝叶斯分类器就可以做一个垃圾邮件过滤系统。
5：还有一本书似乎是韩家炜的数据挖掘导论，没读过，但是网上推荐挺多的。
6：等你到了一定水平，就可以啃啃PRML了，这个太经典了，有点类似算法中的算法导论7：至于后来，好吧，我还在啃PRML。。。。让其他人说吧。。