机器学习的技术栈及应用实例脑洞

之前写了一篇入门级的学习列表: 简单粗暴地入门机器学习

好多小伙伴觉得不太过瘾，今天补充一些脑洞！

本文结构：

• 机器学习技术栈
• 职位
• 项目实例

---

1. 机器学习技术栈

去知乎上可以搜到很多推荐的学习路线，问题就是太多了，我就先列出一些必需的知识和项目方向，学习还是要一步一步积累的。

需要的基础技能：

• Various level of math, including probability, statistics, algebra, calculus, logic and algorithms.
• Bayesian networking or graphical modeling, including neural nets.
• Physics, engineering and robotics.
• Computer science, programming languages and coding.
• Cognitive science theory.

关于数学基础：

• 线性代数，最小二乘，PCA，SVD
• 微积分基础，梯度下降法，牛顿法，神经网络后向传播
• 概率论基础，条件概率，贝叶斯定理，logistic

很多小伙伴觉得自己数学不好，是不是就会很难入门，上一篇文章中提到过，入门并不难，本科时的高数就可以用，如果有时间，可以复习一下 线性代数，微积分，概率论，这些是基础。就算学习深度学习时遇到了复杂的模型公式，有了这些基础，应该也是可以看懂的。

库：

• TensorFlow + Keras
• Python: Numpy, Pandas, Matplotlib, Scipy

机器学习算法基础：

分类
回归
聚类
关联
决策树
支持向量机(SVM)
神经网络
深度学习
增强学习
交叉检验
贝叶斯

模型训练基础：

<