就像这个世界上有的人吃的少吔不耽误他能长到188，有的人吃贼多还是没办法突破1米6，读书这玩意儿也有基因的。会努力只能说明这个人有追求有理想并不是努力叻成就就会好。还有一种人天天玩上课也聊天，那也不耽误他们可以听到老师在讲什么即便没听到，课后他们自学的效率也很高 这玩意儿不是聪明不聪明绝顶的，是基因和天赋决定的 当然，有天赋但不去学也看不出好成绩哈

最近不少同学跃跃欲试想投入 AI 嘚怀抱，但苦于不知如何下手其中，人工智能的核心就是机器学习（Machine Learning）它是使计算机具有智能的根本途径，其应用遍及人工智能的各個领域

我们今天就来分享一篇来自 EliteDataScience 上专门讲给机器学习入门自学者的教程，一步步教你如何从基础小白进阶为 ML 大拿快上车吧，别找硬幣了这趟车不要钱！

你是否正在准备自学机器学习，但又不知道怎么去学

今天我们在这篇文章里就教你怎样免费获得世界级的机器学習教育，你既不需要有博士学位也不必是技术大牛。不管你是想成为数据科学家还是在开发中使用机器学习算法其实你都能比想象中哽快地学习和应用机器学习。

本文告诉你在机器学习之路上的几个步骤保你不会迷路，下面开始我们的表演

在闷头学习机器学习之前，最好先把什么是机器学习搞清楚了解机器学习的基本概念。

简单来说机器学习就是教电脑怎样从数据中学习，然后做出决策或预测对于真正的机器学习来说，电脑必须在没有明确编程有什么用的情况下能够学习识别模型

机器学习属于计算机科学与统计学的交叉学科，在多个领域会以不同的面目出现比如你应该听过这些名词：数据科学、大数据、人工智能、预测型分析、计算机统计、数据挖掘······

虽然机器学习和这些领域有很多重叠的地方，但也不能将它们混淆例如，机器学习是数据科学中的一种工具也能用于处理大数據。

机器学习自身也分为多个类型比如监督式学习、非监督式学习、增强学习等等。例如：

邮件运营商将垃圾广告信息分类至垃圾箱應用的是机器学习中的监督式学习；电商公司通过分析消费数据将消费者进行分类，应用的是机器学习中的非监督式学习；而无人驾驶汽車中的电脑合摄像头与道路及其它车辆交互、学习如何导航就是用到了增强学习。

想了解机器学习的入门知识可以看看一些网络课程。对于想对机器学习领域的重点慨念有个基础的了解的人来说吴恩达教授的机器学习入门课程绝对必看。

以及“无人车之父” Sebastian Thrun 的《机器學习入门》课程对机器学习进行了详细介绍，并辅以大量的编程有什么用操作帮助你巩固所学内容

大概了解机器学习后，我们就来到知识准备阶段了

如果没有基本的知识储备，机器学习的确看起来很吓人要学习机器学习，你不必是专业的数学人才或者程序员大牛，但你确实需要掌握这些方面的核心技能

好消息是，一旦完成预备知识剩下的部分就相当容易啦。实际上机器学习基本就是将统计學和计算机科学中的概念应用在数据上。

这一步的基本任务就是保证自己在编程有什么用和统计学知识上别掉队

2-1：用于数据科学中的Python编程有什么用

如果不懂编程有什么用，是没法使用机器学习的幸好，这里有份免费教程教你如何学习应用于数据科学中的Python语言。（文末囿获取方式）

2-2：用于数据科学的统计学知识

了解统计学知识特别是贝叶斯概率，对于许多机器学习算法来说都是基本的要求

2-3：需要学習的数学知识

研究机器学习算法需要一定的线性代数和多元微积分知识作为基础。

所谓“海绵模式”就是像海绵吸水一样，尽可能多地吸收机器学习的原理和知识这一步和第一步有些相似，但不同的是第一步是对机器学习有个初步了解，而这一步是要掌握相关原理知識

可能有些同学会想：我又不想做基础研究，干嘛要掌握这些原理只要会用机器学习工具包不就行了吗？

有这个疑问也很正常但是對于任何想将机器学习应用在工作中的人来说，学习机器学习的基础知识非常重要比如你在应用机器学习中可能会遇到这些问题：

• 数据收集是个非常耗时耗力的过程。你需要考虑：我需要收集什么类型的数据我需要多少数据？等此类的问题
• 数据假设和预处理。不同的算法需要对输入数据进行不同的假设我该怎样预处理我的数据？我的模型对缺失的数据可靠吗?
• 解释模型结果说机器学习就是“黑箱”嘚观点明显是错误的。没错不是所有的模型结果能直接判读，但你需要能够判断模型的状况进而完善它们。我怎么确定模型是过度拟匼还是不充分拟合模型还有多少改进空间？
• 优化和调试模型很少有人刚开始就得到一个最佳模型，你需要了解不同参数之间的细微差別和正则化方法如果我的模型过度拟合，该怎么修正我应该将几个模型组合在一起吗？

要想在机器学习研究中解答这些问题掌握机器学习的知识原理必不可少。

这里推荐两部值得读的参考书籍：《统计学习导论》和《统计学习基础》

在开启“海绵模式”后你应该掌握了机器学习的基础理念知识，接着就该实际操作了 实际操作主要是通过具体的、深思熟虑的实践操作增强你的技能。本步目标有三个：

• 练习机器学习的整个流程：收集数据预处理和清理数据，搭建模型训练和调试模型，评估模型
• 在真正的数据集上实践操作：对于什么样的数据适合用什么类型的模型，自己应逐渐建立这方面的判断能力
• 深度探究：例如在上一步，你学习了很多机器学习算法知识茬这一步就要将不同类型的算法应用在数据集中，看看哪个效果最好

完成这一步后，就可以进行更大规模的项目了

机器学习是一个非瑺广泛和丰富的领域，几乎在每个行业都有应用因为要学习的东西太多，初学者很容易发慌而且在面对很多个模型时也很容易迷失，看不到大局

因此，我们把机器学习大概划分为九个部分：

基本的机器学习原理比如方差权衡这些知识。

为模型发现最优参数的算法

處理缺失数据、偏态分布、异常值等。

怎样拆分数据集来调整参数和避免过度拟合

使用分类和回归模型从标记数据中学习。

使用因素和集群分析模型从非标记数据中学习

根据不同的性能度量做出决策。

将不同模型相结合达到更好的性能。

机器学习如何帮助不同类型的商业业务

对于初学者，我们建议采用现成可用的算法这样可以把时间用在熟悉机器学习流程上，而不是写算法根据你使用的编程有什么用语言，有两个不错的工具：

4-3 利用数据集实践操作

在这步需要用数据集进行搭建和调试模型的实际操作也就是将你在“海绵模式”階段学到的理论转变为代码。我们建议你选择UCI Machine Learning RepoKaggle和Data.gov上的数据集开始入手：

终于到了最后一步，也是很有意思的一步目前为止，我们已经唍成了：知识储备、掌握基本原理、针对性练习等阶段现在我们准备探究更大的项目：

这一步的目标就是练习将机器学习技术应用于完整的端到端分析。

任务：完成下面的项目依次从易到难。

5-1：“泰坦尼克号”幸存者预测

“泰坦尼克号”幸存者预测是练习机器学习时相當流行的选择而且有非常多的教程可供参考。

5-2 从零开始写算法

我们建议你先以一些简单的方面写起：逻辑回归、决策树、k 最近邻算法等

如果中间卡住了，这里有些小技巧可以参考：

• 维基百科是个不错的资源库提供了一些常见算法的伪代码。
• 可以看看一些现成ML工具包的源代码获得灵感。
• 将算法分为几部分写出取样、梯度下降等的分离函数。
• 在开始写整个算法前先写一个简单的决策树。

5-3 选个有趣的項目或自己感兴趣的领域

其实这应该是机器学习最棒的部分了可以利用机器学习实现自己的想法。

如果你按照这个步骤一步步扎实学习嘚话相信你最终一定在机器学习方面小有成就！

我们对初学机器学习的人还有10个小小的tips：

• 为自己设定学习目标和期限，尽力完成
• 打好學习基础，掌握基本理论
• 将实践理论相结合，不要只关注某一个方面
• 试着自己从头写几个算法。
• 多角度思考问题找到自己感兴趣的實践项目。
• 多想想每个算法能产生什么价值
• 不要相信科幻电影中对ML的胡吹。
• 别过度理会网上关于ML知识的争论
• 多想想数据的“输入/输出”，多问问“为什么”
• 上集智，第一时间将自己升级→→集智

最后祝大家学有所成！

注：如果需要这些Python学习资料文档，麻烦各位看官幫忙转发一下然后加V mss2998 领取！