有所思有所悟，个人的技术博客
经过研究，打算将所有博客移动到相关仓库的Issue， 包括新增博客；不仅如此，以后所有仓库都会按照该方法作为参考来记录。
对于我来说，用Issue来写博客有以下优点：
- label 的支持：看到相关 label 就知道该文章属于哪一类
- markdown 语法的支持
- 图片的插入
- 自带的评论系统，方便交流
- 可以配合 Project 来管理博客
除一般的 label 外，还会有以下 label 进行扩展：
- AMA： ask me anything， 提出问题
- TODO， DOING： 表示一个问题，一篇文章，一个特性的进度
目前学习相关知识所看过的书籍，资料，视频，下面我认为相对较好的机器学习入门路径，仅供参考。
(说明：推荐资料全英文，也强烈建议看英文材料。好处在于 看的慢，思考的多，留下的多）
-
Hands-On Machine Learning with Scikit-Learn and TensorFlow
大多数人以机器学习实战，西瓜书和统计学习方法作为入门材料，前一本书重工程，后两本重理论及推导，可以作为进阶书。而 Hands-On Machine Learning with Scikit-Learn and TensorFlow 的优势在于书籍比较新，且有github配套的源代码实现，书中涉及传统的机器学习方法及其sklearn实现。
学习建议：先看一遍书，接着对照着github代码实现一遍，最后再看一遍书。
官方代码实现：python2
我的实现：python3, 部分中文注释，更适合, 提供pdf下载，仅供学习 -
在阅读上述书籍的过程中，对某个传统机器学习算法感兴趣，可以参考上面的机器学习博客自己实现。
-
A Neural Network in 11 lines of Python (Part 1)
上述书籍最后大半内容是关于神经网络的了解和使用，tf实现。而这篇博客对我了解反向传播算法，实现最简单的神经网络有很大的帮助。 其后续文章介绍梯度下降，dropout防止过拟合，非常值得阅读。 -
Neural Networks and Deep Learning 后续可以加深对神经网络的了解和深入。这本书的第三章使用74行代码，不借助任何深度学习框架实现神经网络识别手写数字，有了第3步的基础，相信理解不难。
反向传播可视化和链式求导 该连接下有几个深度学习介绍的视频，在阅读书籍的过程中可以随时观看视频，对理解反向传播及链式求导有可视化的讲解。 -
kaggle项目实战
此时可以将学到的知识用于解决实际问题， kaggle是最合适的地方。
我完成了三个入门题目，分别是titanic, house price, digit recognizer。
官方有合适的入门解决方案，可以参考官方或者加入自己的解决方法，完成自己的结果提交，查看排名。
我的实现：https://github.com/yunshuipiao/sw-kaggle
上述过程也是我自己学习的过程，其中吴恩达:机器学习的视频也可利用空闲时间观看，上述资料我看过大部分，因此认为比较适合作为入门资料推荐。
其他资料博客：
-
reddit:learnmachinelearning
reddit机器学习板块，有很多初学者面临的问题及其解答，还有高质量的文章推荐。 -
cs229:machine learning 上述吴恩达机器学习课程的讲义， 相比视频，对原理和推导更加深入。
-
最后我的github：https://github.com/yunshuipiao
此部分内容会保持更新，阅读晚比较好的资料也会更新补充(强调：阅读完)
也欢迎各位同学推荐自己阅读完的资料。