我发现学习新主题最好通过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式。有什么好的入门程序可以开始使用机器学习？
最好让任何引用的资源都可以在线访问，以便社区受益
【问题讨论】：
标签： python computer-science artificial-intelligence machine-learning
您将使用哪种语言进行开发？如果你很灵活，我推荐 Matlab、python 和 R 作为不错的选择。这些是用于开发和评估算法的一些更常用的语言。它们有助于快速算法开发和评估、数据操作和可视化。大多数流行的 ML 算法也可以作为库提供（带有源代码）。
我会首先关注 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、类别不平衡、嘈杂的标签、在线与离线训练等。从日常生活或您感兴趣的问题创建数据集。或使用经典，如 Iris 数据集，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：
它的一个很好的特性是它有一个类，“setosa”，它很容易与其他类线性分离。
一旦您选择了几个有趣的数据集，就可以开始实施一些标准分类器并检查它们的性能。这是要学习的分类器的简短列表：
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快速进行小型研究（几分钟到几小时，具体取决于您的速度）。
编辑：您可以谷歌“虹膜数据分类”找到很多例子。这是 Mathworks 使用 Iris 数据集的分类演示文档：
【讨论】：
我认为您可以编写一个“朴素贝叶斯”分类器来过滤垃圾邮件。 你可以从这本书中得到很多信息。
http://nlp.stanford.edu/IR-book/information-retrieval-book.html
【讨论】：
决策树。它经常用于分类任务并且有很多变体。 Tom Mitchell 的书是实现它的一个很好的参考。
【讨论】：
神经网络可能是最容易首先实现的东西，而且它们在整个文献中都得到了相当全面的介绍。
【讨论】：
有一种东西叫做书；你熟悉这些吗？二十年前我在探索人工智能的时候，有很多书。我想现在互联网已经存在，书籍很古老，但您可能可以在古老的图书馆中找到一些。
【讨论】：