机器学习入门知识点

先打好数学基础：
线性代数：

• 矩阵/张量乘法
• 求逆
• 奇异值分解/特征值分解
• 行列式
• 范数
  统计与概率：
• 概率分布
• 独立性与贝叶斯
• 最大似然(MLE)
• 最大后验估计(MAP)
  优化：
• 线性优化
• 非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等；
  微积分：
• 偏微分
• 链式法则
• 矩阵求导
  信息论:
  数值理论
  选择合适的机器学习书籍，选择合适的编程语言和软件，实践最重要。