机器学习基础--如何全面学习机器学习

问题导读：
1.机器学习需要准备哪些知识。
2.机器学习学习路线。
3.机器学习工具选型。
4.机器学习目的。





机器学习需要准备哪些知识。

1.本文写作目的：
     渐进式、系统式的了解和深入机器学习,作为读者我们在学习机器如何学习,作为计算机如何学习人类做好机器学习,这是本系列的目的。

2.机器学习系列知识体系：
     数学知识：
     概率、统计、代数、优化、逻辑知识
     机器学习理论知识：
     监督学习、非监督学习、半监督学习，以及贯彻这些学习而生的基础模型、数据处理和调优。
     核心是机器学习的知识图谱体系。
     Python基础学习：
     python的基础使用以及机器学习常用库学习。

机器学习学习路线。  

1.路线推荐：

(1)先掌握基础的机器学习理论
python部分
数理知识掌握优先概率、统计
(2)进行项目练习，通过模型训练，掌握机器学习的基本使用。
最后通过阅读python底层库源码
(3)了解和掌握机器学习实现某个功能的深层次原理。
(4)通过将算法和数学公式转换为自己的机器学习模型。
(5)基于深度学习算法的模型。

本系列教程将延续上述的方式。

机器学习工具选型。

1.开发IDE：
python3
选择python3势在必然,python社区持续维护的的python3版本，给用户单选性质的处理方式以及大量的开源库。
2.可视化工具
matploylib,Facets
3.基于NLP部分的
语料库
4.面向大数据的一些工具
面向Hadoop的 Apache Mahout
面向Spark的 MLlib
PredictionIO


机器学习目的。

机器学习在不同行业背景下将会衍生出独特的模型体系,上述的部分是机器学习的通用学习模式。
首先机器学习是为了解决问题而存在的.
1.机器学习解决的啥问题,避免人类去做反复识别,反复工作,减少重复化的工作,以机器仿人思考,在各个领域中这是本质。
2.针对行业需要有行业内业务的足够熟悉和了解,针对具体业务,知道背景,痛点,思考解决方案,有必要需要推陈出新，用新的理论和科学去解决问题。

感谢 分享