AI 与机器学习2015homes.cs.washington.edu编辑精选
关于机器学习的一些有用知识
A Few Useful Things to Know about Machine Learning
入门 · 约 45 分钟读完前置知识：基本编程能力、概率统计基础
导读
Pedro Domingos 发表于 CACM 的经典短文，总结了机器学习实践中几条最实用的经验法则，如泛化、过拟合、特征工程、维数灾难等，面向初学者普及 ML 的核心直觉。
HN 关注点：是因为这是入门机器学习最常被推荐的综述之一，讨论集中在如何用它作为自学起点。
后来怎么样
成为机器学习入门的经典文献，被广泛推荐为初学者必读，长期是 HN 和社区流传的 ML 科普标杆。
HN 评论精选
这几条评论里：质疑 1 补充 2 亲历 1
亲历作者分享了受该论文启发而创建的机器学习入门资源库
我第一次读这篇论文时受益匪浅。当时我刚接触机器学习，深受启发，于是围绕它整理了一份资源：https://github.com/hangtwenty/dive-into-machine-learning。我希望这份指南能帮助像我一样的人，通过'先动手 hack、再理解原理、最后系统深入学习'的路径入门。这条路走起来很吓人，长期以来我觉得必须从第 3 步开始才行。欢迎提交 PR。
hangtwenty查看英文原文
When I first read this paper, I found it to be immensely helpful. I'm new to Machine Learning but I was so inspired by this paper when I first found it that I wanted to build up resources around it. Here's the result: https://github.com/hangtwenty/dive-into-machine-learning I want this guide to be a good resource for other people like me, who are curious to get into Machine Learning by this process: 1) hacking 2) coming to understand what you hacked 3) more structured, in-depth learning It can be intimidating to approach Machine Learning this way. For a long time it felt like I couldn't do steps 1 or 2... and had to start with 3. That's intimidating! Pull requests welcome, I want this to be a good resource! Thanks all.
补充补充作者的相关课程资源
Pedro Domingos 在 Coursera 上还有一门很棒的机器学习公开课。
paperwork查看英文原文
Pedro Domingos also has a fantastic mooc at https://www.coursera.org/course/machlearning
质疑认为论文更适合有一定基础的人阅读
这是一份非常有用的指南，不过我觉得你得先有一些机器学习经验，才能真正领会论文里讲的内容。
bladecatcher查看英文原文
This is a very useful guide. Although I'd imagine that you'd have to have atleast some experience with ML before you truly appreciate what's being explained in the paper.
补充肯定特征工程的观点，但指出深度学习正在削弱它
这是一组非常实用的经验总结。我特别赞同关于精心设计信息特征的观点——机器学习方法的核心终究没有免费午餐（参见 NASA 的 no free lunch 论文）。不过现在深度学习似乎推翻了特征提取步骤或多或少的重要性。
atrilla查看英文原文
A very practical and useful collection of hints. I particularly support the point about tailoring the set of informative features. In the end, there is no free lunch for the "core" of the machine learning method (cf., http://ti.arc.nasa.gov/m/profile/dhw/papers/78.pdf). Now deep learning seems to debunk the more-or-less usefulness of the feature extraction step.
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2015Hacker News 讨论帖77 分 · 3 评
- 2015Hacker News 讨论帖213 分 · 18 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选