这篇文章主要介绍“如何开始入门机器学习”，在日常操作中，相信很多人在如何开始入门机器学习问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”如何开始入门机器学习”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
在数据科学和机器学习领域最重要的两大程序语言就是 Python 和 R，Python 简洁易学、应用范围广（不限于数据分析）且学习曲线平缓，适合作为第一个入门的程序语言，透过 pandas、SciPy/NumPy、sckikit-learn、matplotlib 和 statsmodels 可以进行数据分析的工作，适合工程任务和需要和网络应用程序整合的项目。至于 R 由于是统计学家开发的程序语言，则是擅长于统计分析、图表绘制，常用于学术研究领域，建议也要有一定程度的掌握。一般情况下 Python 和 R 并非互斥，而是互补，许多数据工程师、科学家往往是在 Python 和 R 两个语言中转换，小量模型验证、统计分析和图表绘制使用R，当要撰写算法和数据库、网络服务互动等情况时在移转到 Python。为了降低学习成本。
此外 Python 本身是一种通用语言，除了数据科学外也可以广泛使用在 网络开发、网站建置、游戏开发、网络爬虫等领域，当你需要整合系统产品服务时，可以担任一站式的开发语言，更重要的是 Python 也可以当成 胶水语言非常轻易和 C/C++ 等效能较佳的语言整合。简而言之，Python 是一种简洁易学但功能强大，值得投资的程序语言，所以我们这边先使用 Python 进行介绍。
若对于 Python 和 R 比较，这边有两篇文章可以参考数据科学界华山论剑：R 与 Python 巅峰对决、Which is better for data analysis:R or Python?。
事实上，数据科学是个跨领域学门，在学习如何使用Python 进行机器学习过程中通常必须掌握以下知识：
机器学习算法
Python 程序语言和资料分析函式库
线性代数 / 统计学等相关学门
专业领域的领域知识（ Domain Knowledge ）
为了掌握以上三大领域知识（我们先把焦点放在机器学习核心技法，暂时忽略数据科学中对于领域知识的掌握），具体来说我们可以有以下步骤可以参考：
Codecademy
DataCamp（也可以学R）
Learn X in Y Minutes(X = Python)
Learn Python theHard Way
可汗学院线性代数
Introto Deive Statistics
Introto Inferential Statistics
Andrew Ng 机器学习课程
Andrew Ng 机器学习笔记
CarnegieMellon University Machine Learning
MachineLearning Foundations (机器学习基石)
推荐安装Anaconda，支持跨平台多种版本Python，默认将数据分析、科学计算的套件装好，自带spyder 编辑器、JupyterNotebook（IPythonNotebook），可以提供一个网页版接口，让用户可以透过浏览器进行Julia、Python或R 程序的开发与维护。
numpy：科学分析，ScipyLecture Notes 教学文件
pandas：资料分析
matplotlib：会制图瞟
scikit-learn：机器学习工具
MachineLearning: Python 机器学习：使用Python
感知器
判定树
线性回归
k-means分群
SVM
KNN
RandomForests
降低维度
验证模型
NTU Applied DeepLearning
Stanford DeepLearning
深度学习(Deep Learning)自学素材推荐
到此，关于“如何开始入门机器学习”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
