通過我自己的這大半年的接觸和了解，結合找工作需要現對於如何入門機器學習提幾點自己的看法。如果你以後要想幹演算法工程師、機器學習工程師，資料探勘工程師。那麼請你好好看一下我下面說的話。

============================================================================

總路線

     先學機器學習，再學深度學習（實驗室某大神學長的建議），至少精通深度學習的一個方向：CV和NLP。期間要插科打諢地複習好資料結構、數學基礎和強化你的程式設計能力。

---------------------------------------------------------------------------------------------------------------------------

• 數學功底：概率論、線性代數、高數、資訊理論（主要是資訊熵那部分）。
• 資料結構：樹、棧、連結串列、佇列、圖！慢慢琢磨吧。（要有優化演算法複雜度的意識）
• 程式設計能力：請轉移到leetcode、賽碼陣營好好磨練。《劍指offer》這本書是需要你好好看的。

----------------------------------------------------------------------------------------------------------------------------------

      書籍的話：《統計學習方法》（李航）、《機器學習》西瓜書、《深度學習》（Yoshua Bengio & Ian GoodFellow）、

      吳恩達的深度學習，機器學習課程，一些其他機器學習課程都可以看。在這裡，推薦一下中國海洋大學 黃海廣 博士牽頭的將吳恩達視訊做成的中文版學習筆記：機器學習和深度學習。我自己還沒有看，不清楚質量如何，但是應該比較省事了。有錢的話，推薦優達學城，不過貴，不免費。深度學習的工具tensorflow和pytorch，可以買本書看，學會看官方文件，這兩個工具掌握一個就好。可以通過打比賽（天池、京東、騰訊、kaggle等），做專案，進一步強化自己的動手能力。

      大資料的話要會，要了解並行化分散式的東西，比如hadoop,spark,Hive等，要明白底層的工作原理。

     機器學習主要模型：線性迴歸，邏輯迴歸，svm，各種樹模型。原理公式要會，會推導。（如果你要走機器學習崗的工作），現在演算法崗對深度學習用處多一些。

     經典演算法：EM,HMM,貝葉斯網路，樸素貝葉斯，聚類，PCA,LDA，高斯混合模型。

    概率論相關：各種分佈，極大似然，最大後驗，假設檢驗的過程（顯著性水平和p的區別和聯絡），卡方檢驗等等。  

--------------------- 本文來自 _Amsterdam 的CSDN 部落格 ，全文地址請點選：https://blog.csdn.net/qq_34554003/article/details/80367344?utm_source=copy