大家好，我是
为人造的智能操碎了心
的智能禅师。
最近很多读者问本禅师：
转行机器学习需要注意哪些事情呢？
我想学习机器学习，需要学习哪些知识呢？
机器学习如何避免走弯路呢？
本禅师表示非常理解大家的需求。
人工智能（其实本禅师认为目前看来翻译成人造智能可能更直白一点）毫无疑问，已经是科技趋势，却又是门槛相对较高、对学习者要求非常高的一门科学。
说起对机器学习所需要的基础知识掌握程度，一个有经验的开发者可能并不比刚开始接触机器学习的学生多。
机器学习有哪些关键要素？需要掌握什么语言？如何理解机器是怎么学习的？… 接下来，我们听听
人工智能头条
特约作者李烨，讲讲她开始学习机器学习的经验。
讲讲她踩过的那xiiieeeee坑们，以及如何从一个摸着石头过河的
机器学习的新手
，逐步成为老司机的。
李烨，高级软件工程师，现就职于微软（Microsoft），曾在易安信（EMC）和太阳微系统（Sun Microsystems）任软件工程师。先后参与聊天机器人、大数据分析平台等项目的开发。
全文大约1500字。读完可能需要下面这首歌的时间
👇
学习“机器学习”这件事，我走过很长的一段弯路
有一些心得、体会和方法，在此和大家分享。
以模型为驱动，了解“机器学习”的本质
本课力图引导大家以模型为驱动，进行学习。
我选择了几种经典模型（例如：线性回归，逻辑回归，决策树，支持向量机，条件随机场，K 均值等），作为入门的进阶。
初次学习模型，不必贪多。但就这些选定的模型，一定要搞清楚其问题域、模型函数、目标函数、训练算法……潜入到数学公式推导的层面，对每一步的公式变换和对应物理意义有所理解，然后再去实践。
这一个个的模型，就是机器学习的“肌肉”，我们要通过观察学习这一块块肌肉，以其为载体来了解机器学习的核心——将事物转化为数值，将关系、变换转化为运算——以事实（数据）为依据，以规章（算法）为准绳，通过计算来掌握事物的客观规律（模型）
。
要知道，这些经典模型固然经典，但是到了实际应用中，它们并非神圣不可稍加改变。也不是说机器学习就仅限于这些经典模型。
只有掌握了机器学习精髓的人，才可能灵活运用现有模型去解决实际问题，甚至进一步针对具体问题发明自己的模型和/或算法。
反复学习，从记忆到掌握
当然，达到这种程度并非一撮而就，总要从最简单的模型开始。
根据我的经验，即使是本课列出的这几个最常用也相对简单的模型，要真正掌握，都需要反复学习。
有可能第一遍看完有点似是而非，或者感觉自己明白了，但要自己从头推导又会半截断片儿。
就像刚学完又忘掉生字，或是背诵到一半想不起后续99乘法表的小学生，这都是非常正常的现象。真正原因，就是还没有真正掌握。
反复多学几遍
，从头到尾掌握整件事情的逻辑，知道一个模型是怎么从最初设定目标，到一步步实现目标的——当真正掌握了这个过程之后，再回头看一个个具体的模型，每一步都是顺利成章的。
掌握了事物内在的逻辑性，再去记忆，就容易多了。
学习标准设置得不必太高，比如可以这样：
第一遍学，只要求自己能完全掌握机器学习数据、模型、算法相互作用的基本关系，训练过程和评价标准。具体的模型，掌握最简单的线性回归就可以。
只要 end2end 掌握了第一个模型，做到：能够从模型函数开始推导出目标函数，再用梯度下降算法求解，用（伪）代码实现梯度下降求解过程。
第一遍学习掌握一个模型；第二遍学习就不难掌握2-3个模型；第三遍就有可能掌握本课列出的大部分模型………如此
由易到难，螺旋式推进
。
对于一些数学模型本身就比较复杂的，比如条件随机场、隐马尔科夫这类涉及场论和势函数的模型。
