机器学习0基础学习路线

总纲

数学 Mathematics

在整个机器学习过程中涉及大量矩阵运算和微积分导数的概念，因此建议初学者至少要有较为扎实的数学基础，对矩阵和微积分的概念了解比较清楚，否则在一些公式推导过程中会遇到较大障碍，而不断反复回来复习数学知识。

编程语言

Python 已经成为机器学习的第一语言，至于为什么 知乎 中有非常不错的解释。众多机器学习的框架都支持Python API，所以学习机器学习，Python语言语法估计是绕不过去。

监督学习 Supervised Learning

监督学习指的是人们给机器一大堆标记好的数据，比如一大堆照片，标记出哪些是猫的照片，哪些不是，然后让机器自己学习归纳出算法，可以判断出其他照片是否是猫。目前这个领域算法代表：Linear regression、Logistic regression、Neural network、SVM等。

非监督学习 Unsupervised Learning

非监督学习指的就是人们给机器一大堆没有标记的数据，让机器可以对数据进行分类、检测异常等。

半监督学习 Semi-Supervised Learning

在很多实际问题中，只有少量的带有标记的数据，这时候半监督学习会成为较好的选择。

特殊主题 Special Topic

一些特殊算法，例如推荐系统。常用于购物网站，可以根据你的过往购物或评分情况，来向你推荐商品。

机器学习建议 Advice on machine learning

机器学习的建议，包含参数正则化、学习曲线、误差分析、调参等。

集成学习 Ensemble Learning

集成学习本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务，以达到更好的预测性能。集成学习算法主要有 Boosting 和 Bagging 两种类型。

深度学习 Deep Learning

深度学习是机器学习的一个热门分支，模拟人类大脑的思维方式，可以极大的提高正确率，是近来机器学习的一个非常大的突破。

强化学习 Reinforcement Learning

强化学习是一类算法，是让计算机实现从一开始什么都不懂，脑袋里没有一点想法，通过不断地尝试，从错误中学习，累积经验, 学习经验，最后找到规律，学会了达到目的的方法。

迁移学习 Transfer Learning

迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。比如我们学会骑自行车后，学骑摩托车就很简单了；在学会打羽毛球之后，再学打网球也就没那么难了。对于计算机而言，所谓迁移学习，就是能让现有的模型算法稍加调整即可应用于一个新的领域和功能的一项技术。

工具/框架 Tools/Framework

开源机器学习框架，基于这些框架可以很容易搭建机器学习的平台。

TensorFlow 是谷歌基于 DistBelief 研发的第二代机器学习系统，是一个能处理多种语言理解和认知任务的开源软件库，目前已成为 GitHub 上最受欢迎的机器学习开源项目；

---

有任何不明白的地方，请加小女子微信咨询。