上面有很多答案说得太庞杂了，固然机器学习这个领域有很多的经典资料值得我们花大块时间去研读，但对于一个入门的新人来说如果在一开始就一头扎进这样深不见底的知识海洋之中，难免产生一些 挫败感，这样的挫败感对深入学习是不利的，也是不必要的。事实上，在机器学习这个领域里，我们可以说出诸如“演化计算”，“统计关系学习”等上百个关键词，每一个关键词都代表着一个子领域，无论多么优秀的机器学习学家，也不敢说自己对每一个子领域都有相当的了解。
如果对机器学习有兴趣，当拥有最基础的知识之后，就可以尝试对某个感兴趣的子领域展开一些研究， 利用问题驱动自己，逐渐形成self-motivation。在解决问题的过程中不断提升自己的视野，提升自己对问题的洞察力和对研究的自信可能是更为重要的。
但在这样的过程中，基础薄弱所带来的问题可能就会浮现：每每你读论文，会遇到许多闻所未闻的概念，这时为了弄清整个论文逻辑，你不得不跑回去先了解这些知识。这样你又一头扎进了知识海洋，在几十个搜出来的网页之间切来切去，尝试弄明白一个个预备知识的预备知识，却不知道这一块块拼图何时才能拼完你最初想读懂的论文。
如果你有一个足够强大又足够耐心的导师，可能会很大程度地帮到你，但大部分的导师不会如此体贴入微——他们只会在大的方向上引导你。这时候我们需要的是一个知识结构上的贴心“导师”，告诉你为了看懂这个概念，哪些知识你需要学，为什么这些知识重要，怎样快速了解这些知识。我们需要一副清晰的知识图谱，以帮助我们最快速地解决我们需要解决的问题。
这是Metacademy的建设初衷。Metacademy会把各个知识点联系起来，就像游戏里的技能树一样。每个知识点有个简介，而且会链接到那些优质的学习资源上，最重要的是，它会画出通向这个知识点的知识图谱。Metacademy的建设目标是“your package manager for knowledge”，但现在上面暂时只集成了一些机器学习和相关的数学知识。
例如我们想了解CNN(convolutional neural nets)这个概念，直接在Metacademy上搜索它：
可以看到这个概念相关的介绍：
其中这门课Coursera: Neural Networks for Machine Learning 想必有很多前辈都会推荐，授课人是深度学习大师Geoffrey Hinton。
我们还可以点击左上角的树状图标查看知识图谱：
一层一层知识间的关系变得清晰起来。再怎么新手，vectors，dot product也是知道的。这样虽然要学的知识量客观上没有改变，但不再是淹没在知识海洋里，而是面对知识的阶梯一步一步向上走。 这样的感觉是截然不同的，而在研究过程中，感觉是非常重要的一环。
当然这个Metacademy还很初步，我只是拿它做了个例子。总的来说，机器学习该怎么入门，怎么算入门，各家有各家的说法，我还没有评论的资格。我的想法是，在科技如此发达，知识如此丰富的现代，我们不应感到迷茫，而应换个角度看到道路更宽广，世界更多彩。也许可以把一些冗杂的既有知识暂且放下，多将精力放在那些更值得我们思考的问题上来，或许这样更能不断地在学习和研究中获得正向反馈。
这几年，机器学习绝对是计算机领域最热门的话题和方向。笔者不属于专门研究机器学习，但是平时的工作会经常用到一些相关的算法。因此，对于机器学习也仅仅是入门的水平。但是我想也正是因为我只是一个入门汉，所以能够从我们入门者的角度来总结如何入门，希望对还在门外的同学有一些帮助。
数 学
很多人翻看任何一本机器学习的书，看到一推的数学公式就开始打退堂鼓了。开始搜索，提问“机器学习需要哪些数学知识？”然后得到的结果可能会是“矩阵分析，概率论，优化设计……”而且还会有大量的人推荐一些例如“All of Statistics”，“Convex Optimation”等等外文教材。至少我当时面对的情况就是这样的。这种情况很可能后面会朝以下画风发展。
看到上述推荐的那些经典教材，你像看待圣经一样看待他们。抱着一种学会了那些课，我再看机器学习的书简直就会是探囊取物的想法，你下载了巨多相关材料。但是，慢慢你会发现，除了把他们下载了下来，你并没有任何的进步。你并没有完完整整的看完一本，你并没有在机器学习方面卓越超群。
入门阶段真的需要这么多的数学储备吗？未必。
入门阶段我感觉你只要有普通工科专业大一大二那几门基础数学课“线性代数”，“高数”，“概率论与数理统计”就可以让你入门了。
所以，千万别被机器学习中的数学所吓倒而不知道该如何下手。
只要有上述的几门课的基础，你完全可以看懂很大一部分机器学习算法。
程序语言
机器学习入门最佳的方法其实就是理论和代码一起学习。一边看相应的理论推导，一边看并且实践经典代码。所以，为了更快入门，我推荐你最好能够懂点MATLAB或者是Python语言。
Matlab和Python说实话做高端的机器学习肯定是不推荐的，但是如果你想的是机器学习快速入门，那这两门语言绝对是绝佳选择。
第一步
有了上述基础后，你可以开始看点机器学习的相关内容了。我看很多人推荐elements of machine learning。我想说，你想让一个基础为零的人去看这本书，真的合适吗？？？
所以，我推荐的是Machine Learning in action，（这里面的完成语言为Python）这是英文版本的。当然如果你觉得英文对你是一个完全过不去的坎，（虽然我建议做技术的人都必须至少要看得懂英文）现在有中文版本，叫“机器学习实践”。
这本书用尽量少的公式把机器学习的基本算法都过了一遍，而且还讲得很清楚，更为重要的是他将公式和代码结合了起来。因此，你的机器学习并没有那么的抽象了，你知道算法里的公式如何的转化为代码。
所以，第一步，你可以耐着性子将这本书看完。反正我当时，把书中的代码自己敲了一次，虽然代码有的下载，你也可以选择只是把代码看懂完事。但我还是建议，自己敲一次，运行运行，这样你会得到不一样的体会。
第二步
学习Coursera上面Andrew Ng老师的machine learning的课程。这门课造福了众多机器学习的入门者，不仅仅是因为课程全面，内容由浅入深。更加重要的是这门课程每次课都有课堂作业，作业不需要你写出来所有的代码，但是关键代码要你写出来，而且还会教你如何调试代码。
初学者学这门课的时候很可能会买有耐心，又是英文的，又有进度要求，又有作业。没关系，你可以把视频下载下来（很多网盘里都有下载好的视频），然后慢慢的去啃。作业也是，可能你自己不能一口气写出来，没关系，在自己做了大量尝试后，去Github上面下载一些别人写好的代码看一看，找找自己的问题到底出在了哪里。
总之，一定要耐着性子过一遍甚至是几面这个课程。
第三步
这时候你已经对机器学习很多简单的算法比较清楚了，但是可能还没有一种大的全局观。所以，我建议大家可以看看这两本中文教材。周志华老师的西瓜书《机器学习》和李航老师的《统计学习方法》，这两本书都是作者花了大量心思编写的，也是在中国众多科技书籍中难得的两本佳作。
英文书籍，可以推荐《Patten Recognition and Machine Learning》，《Elements of Statistical Learning》(但是这本书难度比较大，如果你有足够的耐心，可以慢慢啃，多次的啃。相信每次都会有不同的收获。我自己已经看了好几次，但是确实每次都没有完全看完，但是目前我遇到很多问题，我去翻这本书，还是能找到很多答案，尤其是我做稀疏相关的工作，里面的相关内容讲解非常清楚。）
第四步
这时候，机器学习你已经可以说大概入门了。后面的事情，就得根据你的需求来制定相关的学习路线。
比如，做大数据分析的，得去学学spark，Hadoop等计算框架；
另外，图模型，深度学习……等等内容，都是一些方向。
自然语言处理、图像识别、语音识别等等也是一些应用方向，更有大量的领域知识需要结合。
在前沿部分和第一到第三步的内容，如果你能按照这几步走下来，入门是肯定可以的。至于后面的机器学习精通部分，我也只能说：Good Luck and Have Fun
广告时间：机器学习、未来智能、机器人相关话题，可关注公众号：
AITMR： Artificial Intelligent Tomorrow
- 什么是机器学习，请参考这里，
----------------------------------------------------------------------------------
- 建议视频、书和编程实践结合起来学习。
- 视频：coursera 林轩田 《機器學習基石 (Machine Learning Foundations)》
- 书籍：李航 《统计学习方法 (豆瓣)》
- 编程实践：《Peter Harrington机器学习实战 (豆瓣)》
- 从头入门的话，可以先看李航的《统计学习方法》和《机器学习实战》，Coursera上有吴恩达的ML的课程，最近才开你可以去跟着看看。我其实更推荐A站上的台大林老师的课，虽然第一部分结课了，但是现在还可以看，课后题认真做收获很大的。等这些都看完以后，补充点数学知识，就可以去看PRML或者MLAPP或者ESL，然后就要看你的方向了。
碰到不明白的数学理论，直接谷歌百度就可以了。
这些消化了，机器学习基本算入门了。
扫一扫
390
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
