機器學習之路-0-開篇和學習資源
機器學習想做深、做專、做出品味來，需要對編程、算法、數學和計算機分布式技術等領域有一定的掌握。故此路和以往的技術升級相比，門檻提高了許多。編程，精通不是必要條件，但一定要熟練應用一門語言，非專業人士也可以學習;數學，需要掌握概率論、線性代數和微積分等基本理論;計算機分布式技術，可選項，不是必需的。
另外還有一個就是統計，統計和大數據的源頭都是對數據的分析，因為統計是一門有很深理論基礎的學問，所以了解統計的知識，對增強數據的分析能力是有幫助的，而且也能避免掉到坑里。不是入門的必選，但是邁向高級階段的必修課。
本人也是一名在這條路上摸索的程序猿，有幸的是目前的工作內容也在相同方向上，可以多些時間和精力的投入。寫此教程，一是學習的總結，為自己設定一個可以衡量的目標，自我監督;二是結交同道的伙伴們，共同成長。
本系列文章的核心思想只有一個：
以動手實戰帶動理論的學習
本教程的開發，將遵從敏捷實踐，一開始可能會有很多不準確、不嚴謹的地方，希望大家多批評指正，不斷完善。
程序猿學習新技術，第一個問題就是用什么語言?考察過R語言、Java和Python，最終選擇了Python。作為程序猿，出生于統計學的R一來就被斃了，Python和Java相比，區別是很明顯的，在入門學習這塊，Python是學習資料和工具最多的。所以從學習的角度講，先用python吧。以后實際工作和產品研發再用Java也不遲，沒有太大影響的。一旦掌握了算法和思路，語言只是工具而已。
機器學習的資料，知乎上有很多，還可以百度一下。各種文章多得就像娛樂版的明星新聞一樣。這里就只說下我現在學習過的資料，僅供參考：
書：《機器學習實戰》(https://book.douban.com/subject/24703171/)，盡管有說代碼寫得不好，數學理論介紹不夠詳盡的差評，但是完全滿足實戰的需求。
此書特點：各主流算法只介紹了基礎原理部分，雖然數學部分論述簡略，但是我們可以通過相應的知識點去知乎、百度或Google上補充。某些大而全的書，雖然都講了，但似乎又什么都沒講;另外，就是大量基于Python的練習題，并且附有參考代碼哦~。
視頻：看過最火爆的Andrew Ng的視頻，看了幾次課就沒看了。主要是自己需要的是一個有快速反饋(動手練習)的學習過程，所以只有等以后再繼續“拜看”了。上了“小象”的2017年1月的機器學習課程，避免廣告不多討論。“書非買不能讀”呀~，花了錢的才能逼著自己前進。
數學：又把大學的教材買了一套回來，有概率論、線性代數和高等數學。需要的同學可以到“閑魚”二手貨上面看看。主要作為參考用書，看到不懂的公式復習一下。有空的同學呢，最好還是再完整溫習一遍。
接下來的部分是Python有關機器學習的工具和數學庫的介紹，大家可以先準備下學習環境：
1. Anaconda，https://www.continuum.io/anaconda-overview。這是一個集成了python運行環境、機器學習所需的依賴庫和代碼編輯器的安裝程序。對于快速搭建學習環境，安裝這一個就夠了。Python選擇安裝2.7版本的，因為網上大量的示例和代碼都是基于2.7的。
2. Python語言學習，網上2.7的教程很多，重點了解下語法、方法和數據結構，其它的內容都可以等到以后用到的時候再學習。
好了，準備工作就這些，今日練習：
- 下載并安裝Anaconda，熟悉使用ipython交互環境
- Python語言基礎入門自學
【本文為51CTO專欄作者“吳思楠”的原創稿件，轉載請通過51CTO聯系作者獲取授權】
