機(jī)器學(xué)習(xí)是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科。

機(jī)器學(xué)習(xí)行業(yè)是非?；馃岬念I(lǐng)域，導(dǎo)致很多傳統(tǒng)IT行業(yè)的從業(yè)者都在試圖嘗試進(jìn)入這個(gè)新的領(lǐng)域，但是因?yàn)闄C(jī)器學(xué)習(xí)算法的學(xué)習(xí)和運(yùn)用存在一定的門(mén)檻，導(dǎo)致很多同學(xué)不知如何入門(mén)。

首先我們要明白，機(jī)器學(xué)習(xí)(Machine Learning, ML)是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科。專門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。

第一，你要掌握最基本的技能，英語(yǔ)。很多機(jī)器學(xué)習(xí)方面的資料和書(shū)籍都是影月，最起碼你的英文方面需要能夠比較順利的看懂一些英文的資料和論文，例如很多著名模型的結(jié)構(gòu)相關(guān)的論文都發(fā)表在arxiv上，需要能大概看懂這些論文。

第二，機(jī)器學(xué)習(xí)跟模式識(shí)別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘，計(jì)算機(jī)視覺(jué)，語(yǔ)音識(shí)別，自然語(yǔ)言處理等領(lǐng)域有著很深的聯(lián)系。從范圍上來(lái)說(shuō)，機(jī)器學(xué)習(xí)跟模式識(shí)別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘是類似的，同時(shí)，機(jī)器學(xué)習(xí)與其他領(lǐng)域的處理技術(shù)的結(jié)合，形成了計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等交叉學(xué)科。所以最好要有這方面的基礎(chǔ)。

第三，機(jī)器學(xué)習(xí)分三個(gè)階段。應(yīng)用，優(yōu)化，和定義問(wèn)題。應(yīng)用，就是想怎么樣才能把人工智能應(yīng)用到你的業(yè)務(wù)中，在這一步之前你需要對(duì)人工智能的現(xiàn)狀有個(gè)基本清晰的認(rèn)識(shí)，拋棄不實(shí)際的想法。優(yōu)化，需要對(duì)卷積神經(jīng)網(wǎng)絡(luò)的原理和計(jì)算過(guò)程很清楚，需要對(duì)tensorflow，caffe，pyTorch等框架比較熟悉，需要對(duì)Inception，Resnet等經(jīng)典模型的結(jié)構(gòu)有一定研究，能夠看懂論文和代碼，并能夠結(jié)合數(shù)據(jù)進(jìn)行分析和實(shí)驗(yàn)，對(duì)模型結(jié)構(gòu)，參數(shù)等不斷進(jìn)行優(yōu)化，達(dá)到提高識(shí)別率等目的。定義問(wèn)題，是用數(shù)學(xué)語(yǔ)言定義清楚問(wèn)題，并能夠用工程上可行的機(jī)器學(xué)習(xí)算法進(jìn)行優(yōu)化求解。

機(jī)器學(xué)習(xí)領(lǐng)域目前就業(yè)前景還是很廣的，而且能夠達(dá)到大神級(jí)別，就意味著絕對(duì)的高薪，所以說(shuō)，吃得苦中苦，方為人上人。

最后，記得關(guān)注微信公眾號(hào)：鎂客網(wǎng)（im2maker），更多干貨在等你！