機器學習和人工智能是如今的最熱門的學習方向，但是大家都不知道該怎麼入手。今天，通過這篇文章，我們來告訴大家機器學習的應該如何入門。
機器學習的第一課
機器學習的本質是通過數學模型的搭建框架，並依靠機器本身不斷的自行優化，最終得最優解。因此，我們的第一課最好以數學爲基礎，進行學習實踐。
在整個學習過程中，你可以會遇到以下幾種數學知識：
1.線性代數：矩陣/張量乘法、求逆，奇異值分解/特徵值分解，行列式，範數等
2.統計與概率：概率分佈，獨立性與貝葉斯，最大似然(MLE)和最大後驗估計(MAP)等
3.優化：線性優化，非線性優化(凸優化/非凸優化)以及其衍生的求解方法如梯度下降、牛頓法、基因算法和模擬退火等
4.微積分：偏微分，鏈式法則，矩陣求導等
5.信息論、數值理論等
而這些數學理論對初學者來講，是一個巨大的門檻。因此，這裏需要注意的點是：如果數學對你基本爲勸退效果，那麼就先放下這些東西，從機器學習十大算法本身去學習，在學習的過程去，去彌補自己的不足。畢竟數學知識只是認知算法的一種工具，而不是算法本身。
機器學習十大算法
作爲最有名，且最重要的機器學習十大算法，你雖然不說完全認知，但是，你必須要對裏面的東西進行很深刻的瞭解。只有這樣，才能讓你對機器學習有一個系統的瞭解和認識。這裏推薦周志華老師的《機器學習》一書，相當經典的一本。
在這個階段學習過程中，你可以會遇到的十大算法：
（由於網上可以找到很多的數據，我這裏只列舉名稱，後續有機會，在給大家挨個分析每一個算法）
1. 線性迴歸2. Logistic 迴歸3. 線性判別分析4. 分類和迴歸樹5. 樸素貝葉斯6. K 最近鄰算法7. 學習向量量化8. 支持向量機9. 袋裝法和隨機森林10. Boosting 和 AdaBoost
從機器學習算法本身來看，算法模型主要分爲2個流派，一個是以隨機森林爲主的“vote派”，簡單來說，就是將樣本文件隨機分塊，然後分別投入算法中，以結果數量多的爲最終結果。另一種流派爲“反饋派”，得到一個結果後，不斷的反饋至模型，模型通過不斷的調整參數，最終輸出最優解。
當然，在這個基礎上，很多人很難去靜下心來一一學習，在這裏可以推薦一下重點關照的算法，樹結構，支持向量機，隨機森林和Boosting。
騙人的深度學習
深度學習的本質是不斷的反饋，然後深度學習模型通過反饋結果不斷的調整參數，最終得到一個最優解。因此，這裏特別強調的一個點是，深度學習本身就是一種黑盒算法，過分的學習理論其實並沒有任何作用。你唯一能做的，就是學習市面上別人已經寫好的框架，然後努力的調整自己的參數。而且由於深度學習需要很高性能的硬件設備，對於一般人來講，其實並不是特別友好。
當然，這裏並不是貶低深度學習算法，這裏僅僅強調的一點是，深度學習的算法大部分是存在於調整參數的方法上，如果快速的調整參數，達到最優的結果，纔是你最需要做的事情。
機器學習的相關硬件和語言選擇
如果要做深度學習，Linux還是首選，因爲其對很多學習模型支持比較好（主要是深度學習的Library）。但即使你使用的是Windows系統，也可以用虛擬機裝Ubuntu來進行學習。小型的深度學習模型足夠了，大型的深度學習我們很少在本地/個人計算機上運行。至於編程語言，首推Python，因爲其良好的拓展支持性，主流的工具包都有Python版本。在特定情況下，選擇R作爲編程語言也是可以的。其他可能的語言還包括C++、Java和Matlab，但我個人不大推薦。不推薦的理由，主要是因爲語言本身依賴的底層環境較多，對性能很難保證。
最後推薦點基礎導向的資料吧：
《Programming Collective Intelligence》（《集體智慧編程》）
作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》（《數據之美：解密優雅數據解決方案背後的故事》）的作者。這本書最大的優勢就是裏面沒有理論推導和複雜的數學公式，是很不錯的入門書。
《機器學習》
這本書非常適合作爲機器學習入門的書籍，因而周志華老師的《機器學習》也被大家親切的叫做“西瓜書”。雖然只有幾百頁，但內容涵蓋比較廣泛。
《Python機器學習》
這本書出版於2015年並多次再版，作者是Sebastian Raschka。這本書去掉了大量的數學推導的部分，僅保留了機器學習的核心應用。本書涉及的內容很廣泛，涉及了數據預處理(Data Preprocessing), 維度壓縮和核函數(Dimension Reduction & Kernel)，評估方法如交叉驗證，集成學習，情感分析，聚類，甚至還包括了神經網絡和Theano。
《Introduction to Machine Learning》
一本比較精簡的機器學習數據，介紹了很多全面並且基礎的機器學習理論，很基礎。
《Machine Learning Theory: An Introductory Primer》
機器學習最基本的入門文章，適合零基礎者
更多消息，可以微信搜索“計算機俱樂部”！