一：語言

python：python不是唯一的但是他是非常適合的。優點.....很多。

二：機器學習與人工智慧

機器學習是基礎——>人工智慧

三：機器學習的理解

一個嬰兒，需要模仿著父母不停的學習然後學會說話和行走是一樣的道理。

機器學習是給一個目標——>機器模仿實現目標——>最終實現

四：機器學習需要什麼？

演算法  資料  程式 評估 應用

五：機器學習能做什麼？

機器學習在資料探勘，影象識別，語言和自然語言處理中有著廣泛的應用

資料探勘：在資料中找到需要的資料，隱藏的內容。

計算機視覺：手機刷臉解鎖（購物）等等

自然語言處理：情感分析

語音識別：語音翻譯

 六：機器學習的流程

常規套路如下：

1.資料的收集和預處理。

2.特徵的選擇和模型的構建

    特徵的選擇很重要！在這裡解釋一下：人類可以認識漢語英語日語(等等)....但是機器不認識，機器只認識0 1，也就是我們在這裡要把機器不認識的轉化為他認識的語言（這不就就是我們做了翻譯嗎？翻譯起來好像還很難）。

3.評估和預測

這一步就是我們該怎麼設計讓我們的計算機可以實現我們的目標。在實現目標的基礎上通過調節引數來使我們的結果更加接近理想上的值。

七機器學習怎麼學？

機器學習的本質包含了數學原理和實際應用技巧。機器學習中有很多經典演算法（瞭解是怎麼推導和使用）因此牽扯到大學數學。十有八九的人已經忘的差不多了，那就只能哪裡不會點哪裡了（大學的概述線代和概率論可以拿出來，那裡不會翻哪裡）！

講一個二分類問題：大學裡的同學要掌握推導過程，主要的目的就是為了學習另一個有時間。

                              已經的工作的也沒時間去學習大學的知識，同時也不會有耐心去學。那麼就要重視（庫的使用和完整專案的構建，從頭到尾的流程）使用

八、深度學習

深度學習是機器學習中神經網路演算法的延伸，相對來說應用更廣一些（誤解：部分人認為機器學習和深度學習是兩回事，其實不是的）

深度學習是在計算機視覺和自然語言處理中更厲害一點，基礎還是離不開機器學習的。

九、演算法推導怎麼開始？

1.找自己合適的方式（書，部落格，視訊.....）

2.交流圈

3.暫時跳過，回頭再看

十、機器學習怎麼動手去做？

找案例資源：Github ，kaggle，其他的資源分享站點...

案例積累：模仿（別人的程式碼和自己的程式碼）， 先模仿後創新。