机器学习，从零开始

【嵌牛导读】：每一波浪潮的到来，都意味一片无人占领的蓝海，也意味着众多新成长起来的巨头，还意味着什么？大量的技术人员需求，供不应求的开发市场，以及从业者的高薪与众多的机会。我们最常做的事情是目送着上一次浪潮的余波远去，感叹自己生不逢时，却没有意识到，下一波浪潮已经到了我们脚下。那么从零开始，了解机器学习吧！

【嵌牛鼻子】：机器学习；神经网络；决策树。

【嵌牛提问】：机器学习应该学习哪些基础知识呢？神经网络了解多少？

【嵌牛正文】：

      学习任何东西，勿在浮沙筑高台，有一些基础的知识还是需要掌握的。例如在计算机视觉领域，为了能够独立进行机器学习的开发工作，最好首先完成这么几项课程：

1入门机器学习：

熟悉机器学习领域的经典算法、模型及实现的任务等，同时学习搭建和配置机器学习环境，并学会用 线性回归 解决一个实际问题。

2Logistic回归分析、神经网络、SVM：

掌握数据集探索；理解分类任务算法（Logistic回归、神经网络、SVM）原理；学会在scikit-learn框架下采用各分类算法分类具体任务。

3决策树模型与集成学习算法：

损失函数：信息增益、Gini系数；划分：穷举搜索、近似搜索；正则：L2/L1；预防过拟合：预剪枝及后剪枝；Bagging原理；Boosting原理；流行的GBDT工具：XGBoost和LightGBM

4聚类、降维、矩阵分解：

主成分分析（PCA）；独立成分分析（ICA）；非负矩阵分解（NFM）；隐因子模型（LFM）；KMeans聚类和混合高斯模型GMM（EM算法）；吸引子传播聚类算法（Affinity Propagation聚类算法）

5特征工程、模型融合& 推荐系统实现：

学会常用数据预处理方法及特征编码方法；学习特征工程的一般处理原则；组合各种特征工程技术和机器学习算法实现推荐系统。

上面的课程大概会消耗你1个月多的所有业余时间。但是相信我，这是值得的。