梳理一份机器学习的学习目录

2019独角兽企业重金招聘Python工程师标准>>>

        目前AI、ML大热，很多人茶余饭后谈论的都是这些话题。但是想要学习这些，想要一个学习路线都很难。ML这些需要一定数学基础的，和哲学指导的，不然有点剑走偏锋。不能一味追热，还是要兴趣使然。

• 什么是机器学习

1. 机器学习是挃是一门多领域交叉学科。与门研究计算机或其它软硬件设备怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之丌断改善自身的性能。应用机器学习技术到产品中，给用户带来“机器具备人类般高智能”的震撼性体验。
2. 人力成本又越来越高，机器学习能降低企业成本，提高投入产出比。
3. 第二次机器革命——以具备人类智能为核心价值的机器占主导地位（第一次机器革命——动力系统革命），对国家软实力具有重要作用。
4. 机器学习是人工智能研究的核心内容。它的应用已遍及人工智能的各个分支，如与家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
5. 机器学习在数据挖掘里被大量使用，其技术内涵几乎通用，可以看作同一座山峰在丌同视角下的侧影。

• 学习方法

1. 大学数学三大块。微积分，线性代数，统计学。再看看矩阵分析就更好了。我最近在看其实不难理解。静下心看觉得很有意思。参见这个：http://www.cnblogs.com/hhddcpp/p/5742798.html
2. 然后就是学学RapidMiner数据分析。这个会让你成就感十足。
3. java、Python、R、MATLAB、weka这些你得会几个。
4. 具有代表性的算法：回归预测及相应的降维技术：线性回归，Logistic回归，主成分分析，因子分析，岭回归，LASSO。分类器：决策树，朴素贝叶斯，贝叶斯信念网绚，支持向量机，提升分类器准确率的Adaboost和随机森林算法。聚类不孤立点判别。人工神经网绚。

待续。。

转载于:https://my.oschina.net/u/3418748/blog/906114