学术人群可能会花大量时间研究他们论文中的某个机器学习算法。 在此，我推荐他们看一篇文章“How to Research a Machine Learning Algorithm”，了解关于算法方面的研究。

How to Research a Machine Learning Algorithm

机器学习专业的本科生或研究生

机器学习专业的学生通常会上一些关于技术和算法的课程，因此他们对相关的具体问题会更感兴趣。

学生一般比较专注，也有时间深入去钻研。这类人群最好阅读教科书。以下是机器学习领域里最好的教科书：

Learning from Data

?tag=inspiredalgor-20

Machine Learning: A Probabilistic Perspective

?tag=inspiredalgor-20

Pattern Recognition and Machine Learning

?tag=inspiredalgor-20

The Elements of Statistical Learning: Data Mining. Inference. and Prediction

?tag=inspiredalgor-20

机器学习领域的研究人员

机器学习领域的研究人员会深入了解机器学习的某个方面，并努力去扩展该领域。

研究人员对本专业的研究论文、期刊、组织、网络等很感兴趣。

教科书对他们来说，可就不适用了。

他们需要参考一些知名度高的期刊和论文集：

Journal of Machine Learning Research (JMLR)

Neural Information Processing Systems (NIPS)

https://nips.cc/

Knowledge Discovery and Data Mining (SIGKDD)

International Conference on Machine Learning (ICML)

https://en.wikipedia.org/wiki/International_Conference_on_Machine_Learning

检验Quora上关于“机器学习最好的会议和期刊是什么？”。

https://www.quora.com/What-are-the-best-conferences-and-journals-about-machine-learning

这儿有一个很方便的人工智能排名前50位的期刊列表。

?category=1702

利用机器学习建模的其他领域的研究人员

其他领域的研究人员可能也会对机器学习感兴趣，但是是把它当作工具。他们更关注用自己的数据建造描述性或预测性的模型。

例如，客户研究、地质学、或者生物学领域的科学家有他们自己的数据集。他们会用建模的方法来预测未来可能会发生的问题。

相比于模型的准确度，他们更关注模型的可解释性。因此，从统计学借鉴过来的简单易懂的方法更易被接受，例如线性回归和逻辑回归。

当然，好的系统化过程仍然需要。

我会推荐“工程人群”里提到的资源，尤其是“Developer Interested in Delivering One-Off Predictions”。另外可以看一下“数据人群”里“数据科学家”那部分。

➤工程人群

工程人群基本上是开发人员，他们希望将机器学习用于自己项目的解决方案中。

工程人群可以从答疑网站的机器学习社区中获得很多帮助和支持。 更多的信息，可以参考文章“Machine Learning Communities”。

实现算法的编程人员

对于编程人员来说，一个很好的掌握机器学习技能的方法是：从零基础开始，利用现有的编程能力实现机器学习的算法。