數 學

很多人翻看任何一本機器學習的書，看到一推的數學公式就開始打退堂鼓了。開始搜索，提問“機器學習需要哪些數學知識？”然後得到的結果可能會是“矩陣分析，概率論，優化設計……”而且還會有大量的人推薦一些例如“All of Statistics”，“Convex Optimation”等等外文教材。至少我當時面對的情況就是這樣的。這種情況很可能後面會朝以下畫風發展。

看到上述推薦的那些經典教材，你像看待聖經一樣看待他們。抱著一種學會了那些課，我再看機器學習的書簡直就會是探囊取物的想法，你下載了巨多相關材料。但是，慢慢你會發現，除了把他們下載了下來，你並沒有任何的進步。你並沒有完完整整的看完一本，你並沒有在機器學習方面卓越超群。

入門階段真的需要這麽多的數學儲備嗎？未必。

入門階段我感覺你只要有普通工科專業大一大二那幾門基礎數學課“線性代數”，“高數”，“概率論與數理統計”就可以讓你入門了。

所以，千萬別被機器學習中的數學所嚇倒而不知道該如何下手。

只要有上述的幾門課的基礎，你完全可以看懂很大一部分機器學習算法。

程序語言

機器學習入門最佳的方法其實就是理論和代碼一起學習。一邊看相應的理論推導，一邊看並且實踐經典代碼。所以，為了更快入門，我推薦你最好能夠懂點MATLAB或者是Python語言。

Matlab和Python說實話做高端的機器學習肯定是不推薦的，但是如果你想的是機器學習快速入門，那這兩門語言絕對是絕佳選擇。

有了上述基礎後，你可以開始看點機器學習的相關內容了。我看很多人推薦elements of machine learning。我想說，你想讓一個基礎為零的人去看這本書，真的合適嗎？？？

所以，我推薦的是Machine Learning in action，（這裏面的完成語言為Python）這是英文版本的。當然如果你覺得英文對你是一個完全過不去的坎，（雖然我建議做技術的人都必須至少要看得懂英文）現在有中文版本，叫“機器學習實踐”。

這本書用盡量少的公式把機器學習的基本算法都過了一遍，而且還講得很清楚，更為重要的是他將公式和代碼結合了起來。因此，你的機器學習並沒有那麽的抽象了，你知道算法裏的公式如何的轉化為代碼。

所以，第一步，你可以耐著性子將這本書看完。反正我當時，把書中的代碼自己敲了一次，雖然代碼有的下載，你也可以選擇只是把代碼看懂完事。但我還是建議，自己敲一次，運行運行，這樣你會得到不一樣的體會。

第二步

學習Coursera上面Andrew Ng老師的machine learning的課程。這門課造福了眾多機器學習的入門者，不僅僅是因為課程全面，內容由淺入深。更加重要的是這門課程每次課都有課堂作業，作業不需要你寫出來所有的代碼，但是關鍵代碼要你寫出來，而且還會教你如何調試代碼。

初學者學這門課的時候很可能會買有耐心，又是英文的，又有進度要求，又有作業。沒關系，你可以把視頻下載下來（很多網盤裏都有下載好的視頻），然後慢慢的去啃。作業也是，可能你自己不能一口氣寫出來，沒關系，在自己做了大量嘗試後，去Github上面下載一些別人寫好的代碼看一看，找找自己的問題到底出在了哪裏。

總之，一定要耐著性子過一遍甚至是幾面這個課程。

第三步

這時候你已經對機器學習很多簡單的算法比較清楚了，但是可能還沒有一種大的全局觀。所以，我建議大家可以看看這兩本中文教材。周誌華老師的西瓜書《機器學習》和李航老師的《統計學習方法》，這兩本書都是作者花了大量心思編寫的，也是在中國眾多科技書籍中難得的兩本佳作。

英文書籍，可以推薦《Patten Recognition and Machine Learning》，《Elements of Statistical Learning》(但是這本書難度比較大，如果你有足夠的耐心，可以慢慢啃，多次的啃。相信每次都會有不同的收獲。我自己已經看了好幾次，但是確實每次都沒有完全看完，但是目前我遇到很多問題，我去翻這本書，還是能找到很多答案，尤其是我做稀疏相關的工作，裏面的相關內容講解非常清楚。）

第四步

這時候，機器學習你已經可以說大概入門了。後面的事情，就得根據你的需求來制定相關的學習路線。

比如，做大數據分析的，得去學學spark，Hadoop等計算框架；

另外，圖模型，深度學習……等等內容，都是一些方向。

自然語言處理、圖像識別、語音識別等等也是一些應用方向，更有大量的領域知識需要結合。

在前沿部分和第一到第三步的內容，如果你能按照這幾步走下來，入門是肯定可以的

機器學習如何入門