【 宣告：版權所有，歡迎轉載，請勿用於商業用途。 聯絡信箱：feixiaoxing @163.com】

    這幾年，機器學習非常火。自從alpha go戰勝了韓國的李世石之後，深度學習又將機器學習推向了新的高度。不可否認，機器學習是非常有用的。不管是模式識別、自然語言處理、計算機視覺，還是推薦系統、機器發掘、語音識別等方面，機器學習都發揮了巨大的作用。機器學習作為基礎學科，它為其他學科的發展作出了很大的貢獻，不斷貢獻著新的理論和演算法，推動技術不斷髮展。

    從另一方面，學習機器學習也是有一定困難的。因為，對於希望學好這門課程的同學來說，除了掌握必要的程式設計方法和程式設計技巧之外，你還需要了解基本的數學方法，比如優化、概率、矩陣、隨機數學等等。很多同學看到這些數學公式就一下子手足無措，不知道如何下手。

    下面，我就從自己個人的角度推薦一下，作為一個it工程師應該如何學習好機器學習？

1）機器學習應該選用什麼程式語言？

    如果大家平時留意的話，會發現大家用來編寫演算法的時候什麼語言都有，比如c、c++、java、matlab、python、R等等。我建議大家如果是自己編寫演算法，最好使用python指令碼語言，編寫起來很快，語法和c差不多，基本不需要除錯。如果是別人寫的演算法，那麼只需要自己會編譯會修改就可以了。比如說，機器學習中svm這塊，大家用的比較多的都是libsvm庫，最早的庫是用c++庫，大家只要能看懂會使用就可以了。還有一些公開發表的論文，這些論文大部分是用matlab編寫的，大家也只要能看懂就可以了，如果需要的話，可以自己轉換成python或者c程式碼。

2）python常用的庫有哪些？

    只需要numpy、pandas和matplotlib就可以了，前者主要處理矩陣使用，後者畫圖使用。

3）怎麼編寫演算法？

    可以先看懂機器演算法的基本原理，然後編寫程式碼，最後再看推倒的數學公式。it工程師比較擅長的是看程式碼，所以可以從自己擅長的領域著手。大部分的機器學習程式碼都在100～200行之間，我指的是python程式碼，所以理解上不會有太大的困難。即使自己不會寫，先看看別人的也可以。

4）有沒有什麼好的機器學習庫？

    sklearn，python下面最簡單的機器學習庫。所有的程式碼基本上都分成三個步驟，建模、訓練、預測。

5）常用的機器學習的書有哪些？

    我自己經常看的書就三本，《機器學習實戰》、《統計學習方法》和周志華的《機器學習》。大家在看書的時候，儘量找適合自己的書籍。大牛的書籍不一定適合自己，反而是一些實戰的書特別適合入門。

6）機器學習最重要的是什麼？

    比演算法和測試資料集本身更重要的，是希望大家尋找更多機器學習的應用場景，讓這門學科更好地服務於我們的生活。

7）掌握機器學習的步驟是什麼？

    先利用現成的庫（比如sklearn）用好演算法，後面可以根據演算法定理實現好演算法，最後再根據使用經驗發覺演算法的不足，改進好演算法，讓更多的人從你的工作中收益。這是一個持續的過程，沒有辦法一蹴而就。

8）公司用的機器學習和學術界的機器學習有什麼區別？

    公司用的演算法往往都是穩定、簡潔、可靠的演算法，比如說logistic迴歸、決策樹、bayes等等，而學術中的機器學習更偏向於效能和結果，在效率和成本和演算法可理解性方面考慮的不多。比如大家學習中遇到的svm、pca、lda、神經網路、深度學習，在生產中可能沒有大家想象的那麼多。當然也不能說，學術的演算法就沒有意義，也許隨著計算機處理效率的提高和大資料時代的到來，學術中的某些演算法會成為新的主流趨勢，這也說不定。

9）有沒有什麼比較好的視訊教程？

    斯坦福大學Andrew NG的《機器學習》課程。