麻省中的 http://open.163.com/movie/2010/11/P/P/M6V0BQC4M_M6V29EGPP.html 视屏中的26分23秒左右时的矩阵是怎么计算得到的，感觉有一个很方便的法子，但没有看明白。

@tinytool，我记得你看过了，可否说下。

最近刚刚看完了 coursera andrew Ng 上面的machine learning 课程，正在进一步学习，也说下自己的体会，或者说和业内人士交流获得的体会：

andrew 的课程还是非常简单的，容易上手，但是很多东西都没有深入。不过他的课后编程作业非常好，提交之后还有验证环节。学习的时候不仅要写那几个让你写的文件和函数，也要看整个octave 实现的flow，非常有帮助。

深入学习的理论课程上面tiny 提到了很多了，都非常好。 不习惯英文的可以看 周志华的西瓜书，《机器学习》一书，很不错。

最好是和实践结合，如果是以业界工作应用为目的的，需要了解大数据，比如hadoop spark 等，然后亲自在aws 或者阿里云之类上面进行部署实践。

要有一个实际的应用场景，用machine learning 来做点东西，在做的过程中，你才能够更加深入了解那些理论的知识。

如果找不到合适的应用的话，那么用kaggle 上面的竞赛进行练习也是很好的。

cs231

好深奥 不知道什么时候才能看得懂

坚持看了两个月，现在停了。工作实在是太忙了...

羡慕tinyfool

5楼 @cuijin007 忙不忙，核心在于坚持

6楼 @tinyfool 嗯。忙过这两周五继续看。

很感兴趣，机器学习似乎是解决“不能描述准确性质”或者“解决问题空间庞大复杂”的问题？嘛，还没有入门，这是我目前的直观印象。

刚入门。自己找了点数据集做的股票分类。目前感觉是：

• 将经典的几个方法，找个自己感兴趣的数据集，按照参考书上的方法自己写出来，跑一遍，看看效果，调调参数，会有深刻印象；

• 参考书很多，上面的数学公式粗看头皮发麻，细看其实并没那么复杂。如果是有线性代数基础的，看的时候不要太纠结证明过程（个人观点哈，据老师说的，比如神经网络有些方法暂时只知道效果，无法完美证明）。没有基础的，可以先不要想太多，实践一下代码，慢慢你会明白的；

• 要了解这个领域知识，看的书可能需要多一些，尤其是自己问题目标领域的。比如关于金融的Deep learning方法。我是从Neural Network开始看的，一知半解的继续了Genetic algorithm, machine learning的一些知识。

mark一下，还没看过，正在积极学习。