人工智能机器学习的学习履历总结-开课吧广场

用一个分开详细算法的视角来看：机器学习便是一套打算机机器利用数据来学习规则/映射关系的固定算法/方法。
每一种机器用来从数据学习规则的方法，我们都可以视为一种机器学习算法，而机器学习最初的发展是由统计学习方法支撑的，以是很多时候机器学习（除开深度学习之外）和统计学习基本是等同的。

机器学习的整体学习流程：

在对付机器学习的名词基本观点有了理解后，我们来先容一下机器学习的整体学习流程，我们可以把机器学习分为三个板块，数学根本，机器学习算法和编程实践。

但大家须要把稳的是，三个版本并非承接关系，也便是说并非学完了数学才能学算法，学了算法才能编程实践—这也是极其不推举的路径，除非本身是数学系的同学或者今后期望进行干系方面理论研究的同学，否则这条路径是很不友好的。

举个例子，我们实在可以先理解干系算法的观点和运用的方面然后直接学编程实践，在实践过程中学习理论，不清楚的理论知识再补充相应的数学根本，或者先学习干系机器学习算法理论，然落后程中进行实践和干系数学根本补充。

以是，可以把三者视为相互关联的，数学根本有助于我们更好的理解机器学习算法，而对付机器学习算法的理解能辅导我们更好第进行编程实践。

人工智能机器学习的学习履历总结-开课吧广场

首先须要的是根本数学的干系知识，但这部分知识并非我们所有的知识点都会在机器学习中利用到，例如我们一样平常利用到的是微积分中的导数，线性代数中的矩阵打算，概率论中的全概率公式，条件概率等。
昔时夜家有了这些根本知识后就可以去看机器学习的干系算法理论了。

在学习算法理论的同时再进一步补充干系知识，例如决策树，优化方法等就涉及到的信息论中的信息熵，最优化中的梯度低落法，SVM涉及到对偶问题，KKT条件等。

一样平常机器学习算法理论的数学根本学习到根本数学衍生这一层就可以了，而如果大家有兴趣阅读机器学习理论的研究，例如可学性，繁芜度，泛化性，稳定性等的研究或者变分方法，随机剖析方法等干系研究，那大家就须要学习进阶的干系知识了。

对付机器学习算法部分，我们可以把整体的机器学习算法分为传统机器学习部分和深度学习部分，两个部分可以独立的学习，而传统机器学习部分，我们又可以分为多个模型，每个部分也可以单独学习，例如可以学习完最小二乘方法落后修逻辑回归。
每个部分都是相对较为独立的。

对付深度学习领域，一样平常是先学习机器学习的根本网络ANN, CNN, RNN,然后结合一个详细的领域深入研究的。

对付编程实践部分，对付机器学习的实践来说，个人认为现在Python是最随意马虎上手和对付机器学习的干系学习支持最好的编程措辞，大家可以先从Python的根本语法入门，理解一些Numpy，Pandas的常规函数，然落后修Scikit-learn机器学习算法框架，而对付深度学习部分可以从Keras入门，然后在后续的学习中转移到其余的框架。