这几年，机器学习绝对是计算机领域最热门的话题和方向。而超模君对于机器学习也仅仅是入门的水平。但是超模君想，也正是因为只是一个入门汉，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。
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。
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，个人认为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。
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。
有了上述的数学基础后，你可以开始看点机器学习的相关内容了。
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“机器学习实战”。
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。
选择一门入门课程，紧跟着老师的步伐，把知识点都过一遍，再结合老师讲解的实战案例，把其中的算法、代码吃透，理解其思想。
至于入门课程，超模君推荐由唐宇迪老师主讲的，基于python语言下的《 python机器学习实战》
◆ 人工智能、机器学习、深度学习爱好者、科研工作者、数据分析爱好者
◆ 希望学习或提高使用Python其他更有趣的技能（绘制图像，人脸识别，验证码识别等等）
◆ Python零基础也可以参与本课程的学习
该课程使用数据领域最主流语言Python及其分析与建模库作为核心武器。对于机器学习经典算法给出完整的原理推导并基于实例进行讲解，实例演示如何应用机器学习算法解决实际问题。
（课程大纲介绍）
快速掌握Python库的使用方法并进行实战演示。
实例演示如何应用机器学习算法解决实际问题。
使用Python库完成建模与评估工作。
第一章：Python快速入门（免费试学）
第二章：回归算法（免费试学）
第三章：科学计算库Numpy
第四章：数据分析处理库Pandas
第五章：可视化库Matplotlib
第六章：使用Python库分析科比的生涯数据
第七章：案例实战—信用卡欺诈检测
第八章：决策树与随机森林
第九章：Kaggle竞赛案例—泰坦尼克获救预测
第十章：支持向量机算法
第十一章：神经网络基础
第十二章：神经网络架构
第十三章：Tensorflow框架
第十四章：Mnist手写字体识别
第十五章：PCA降维操作与SVD矩阵分解
第十六章：聚类与集成算法
扫描识别下方二维码或点击“阅读原文”
进入课程详情页，购买并完成报名！
咨询助教：
QQ：210187565
长按二维码了解课程详情
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。
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 a fun~
