一个自然语言处理炼丹师的自白
往期：
因为各种媒体宣传，最近问问学校新入学计算机科学的学生们，想搞什么研究，结果十个里有九个要研究机器学习，中间还一些弄不清深度学习和机器学习的关系，实际上是想搞深度学习。
原本深度学习（深度神经网络）只是机器学习领域一个分支，但因为其最近大火，导致对整个领域出现了这样的划分：深度的和非深度，或者说深度的和传统的。虽然现在自然语言处理研究主要用深度学习，但因为很多概念来自机器学习，还是有必要了解传统机器学习的。而且如最近周志华提出的深度森林，将其他传统机器学习方法和深度学习的理念结合起来，就可以提出一些很有意思的模型。
下面大概根据难度将学习资料列出来。
入门
最开始想简单了解一下，那么第一步，可以只将 Goodfellow 的 Deep Learning 前面介绍小节读一下，第四小节的 Numerical Computations 以及第五小节的 Machine Learning Basics. 主要会介绍简单的数值运算，梯度更新，还有机器学习基本概念，但没怎么提太详细。
之后就是鼎鼎有名吴教授在 Cousera 上的 Machine Learning。这门课没太多说的，太有名了。一如吴教授的风格，简单易懂，练习也不难，相信网上也都能找到答案。有点麻烦的是，作业是用 Octave 来完成，当然因为 Octave 和 MATLAB的关系，用MATLAB 也是可以的。里面有些东西挺老的，但核心概念都很有用，特别是模型训练策略，错误分析。
基础
接着，可以读读我挺喜欢的 NLP 大佬 Kyunghyun Cho 的 ML w/o DL Lecture Notes (没有深度学习的机器学习课堂笔记)。介绍了机器学习中经典的一些问题，比如分类，回归，还有聚类，还提到各自的一些算法以及与深度学习的一些联系。值得一提的是，该资料带有 Jupyter Notebook 的习题作业，所以很推荐把这些作业也做了，可以打下很好的基础。但这个资料介绍不太全面，而且没有课程视频。
还有一个额外的资源是，加州理工 Yaser Abu-Mostafa 的 Learning From Data，这个没上过，也不好评价。但是根据其他评价是门很棒的课。
中文资料，可以读李航的《统计学习方法》还有周志华的《机器学习》，两本都不是太难读。
进阶
了解了基础，如果还想挑战自己，可以试试卡内基梅隆大学，Tom Mitchell 教授的 Machine Learning 课程。相比之前的资料，这门课涉及到很多更深入的话题，概率图模型，Boosting，SVM的核方法，强化学习...
还可以去啃两本大部头，Bishop 的《Pattern Recognition and Machine Learning》还有 Murphy 的 《Machine Learning A Probabilistic Perspective》。
或者按照周教授说的，把西瓜书读一遍之后，每一章从推荐书籍和推荐论文里面找资料细读。
