前言
为了帮助对机器学习感兴趣的同学，结合相关学习经历，整理出这份关于如何系统学习机器学习的指南。
1. 步骤
在正式踏入机器学习之旅之前，我们需要了解机器学习的步骤以及前置知识。
1.1 前置知识
英语听读能力
首先，掌握英语的听和读的能力。机器学习领域的课程和论文几乎都是英文的，如果我们要看懂或者听懂，最好需要掌握一定的英语能力，实在有困难，还可以借助于谷歌翻译和 DeepL 等翻译软件。
数学基础
计算机科学离不开数学，机器学习自然也需要一定的大学数学基础：微积分、线性代数和统计学。
- 高等数学：导数、微分和积分、泰勒展开式。
- 线性代数：矩阵、向量，推荐著名的科普视频 up 主 3Blue1Brown 的专题 Essence of linear algebra。
- 统计学与概率论：条件概率、期望、方差、回归问题和拟合问题、贝叶斯法则。
机器学习中，大约有 80％ 的时间将用于收集和清洁数据。统计学是处理数据集合，分析和表示的领域。
1.2 编程技能
选择一门编程语言：Python
为了能动手实践机器学习，不仅仅停留在课本和书面上的话，一定要掌握一门编程语言。现在越来越多大学会开设 Python 程序设计这门课，足以见到这门语言在研究领域的热门。而有些大学工科类专业会开设 Matlab 这门课，统计和数学专业会学习 R 语言或者 Scala 等。
着重说一下，语言不是关键，任何语言只要是你喜欢的，都可以用来入门和学习。但是为了减少重复造轮子，Python 简洁的语法和其在数据科学领域有着众多的工具和资源，实际上，有许多 Python 库，这些第三方库对于人工智能和机器学习特别有用，例如 Keras，Tensorflow，Scikit-Learn 等，所以还是比较推荐 Python。
书籍和课程推荐
网上关于 Python 入门的书籍很多，这里只提及对机器学习有帮助的 Python 进阶书：《流畅的 Python》和《利用 Python 进行数据分析》。
1.3 什么是机器学习
现在我们已经完成了先决条件，可以继续学习机器学习的核心部分！当然也是从基础开始，然后再学习更复杂的东西。
机器学习概念
IBM 的亚瑟·塞缪尔（Arthur Samuel）被誉为'机器学习之父'，他在 1959 年创造了'机器学习'一词，并把机器学习定义为：机器学习是在不直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域。
机器学习是人工智能的一部分，它将数据与统计工具相结合，以预测可用于制作可行见解的输出。
机器学习术语
- 模型：模型是通过应用一些机器学习算法从数据中学习的特定表示。模型也称为假设。
- 特征：特征是数据的单个可测量属性。一组数字功能可以通过功能向量方便地描述。特征向量作为模型输入。例如，为了预测水果，可能会有诸如颜色，气味，味道等的特征。
- 目标（标签）：目标变量或标签是我们模型要预测的值。对于特征部分讨论的水果示例，每组输入的标签将是水果的名称，如苹果、橙子、香蕉等。
- 训练：这个想法是给出一组输入（特征）和它的预期输出（标签），所以在训练之后，我们将有一个模型（假设），然后将新数据映射到训练过的类别之一。
- 预测：一旦我们的模型训练好，那么提供一组输入，它将能给出一个预测的输出（标签）。
机器学习的类别
- 监督学习：这涉及使用分类和回归模型从带有标记数据的训练数据集中学习。这个学习过程一直持续到达到所需的性能水平。
