机器学习：入门方法与学习路径一、引言也许你和这个叫『机器学习』的家伙一点也不熟，但是你举起iphone手机拍照的时候，早已习惯它帮你框出人脸;也自然而然点开今日头条推给你的新闻；也习惯逛淘宝点了找相似之后货比三家；亦或喜闻乐见微软的年龄识别网站结果刷爆朋友圈。恩，这些功能的核心算法就是机器学习领域的内容。套用一下大神们对机器学习的定义，机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单一点说，就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。近年来互联网数据大爆炸，数据的丰富度和覆盖面远远超出人工可以观察和总结的范畴，而机器学习的算法能指引计算机在海量数据中，挖掘出有用的价值，也使得无数学习者为之着迷。但是越说越觉得机器学习有距离感，云里雾里高深莫测，我们不是专家，但说起算有一些从业经验，做过一些项目在实际数据上应用机器学习。这一篇就我们的经验和各位同仁的分享，总结一些对于初学者入门有帮助的方法和对进阶有用的资料。二、机器学习关注问题并非所有的问题都适合用机器学习解决（很多逻辑清晰的问题用规则能很高效和准确地处理），也没有一个机器学习算法可以通用于所有问题。咱们先来了解了解，机器学习，到底关心和解决什么样的问题。1.从功能的角度分类，机器学习在一定量级的数据上，可以解决下列问题：（1）分类问题根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个。比如：垃圾邮件识别（结果类别：1、垃圾邮件2、正常邮件）文本情感褒贬分析（结果类别：1、褒2、贬）图像内容识别识别（结果类别：1、喵星人2、汪星人3、人类4、草泥马5、都不是）（2）回归问题根据数据样本上抽取出的特征，预测一个连续值的结果。比如：星爷《美人鱼》票房大帝都2个月后的房价隔壁熊孩子一天来你家几次，宠幸你多少玩具（3）聚类问题根据数据样本上抽取出的特征，让样本抱抱团（相近/相关的样本在一团内）。比如：google的新闻分类用户群体划分我们再把上述常见问题划到机器学习最典型的2个分类上：分类与回归问题需要用已知结果的数据做训练，属于“监督学习”聚类的问题不需要已知标签，属于“非监督学习”。2.如果在IT行业（尤其是互联网）里溜达一圈，你会发现机器学习在以下热点问题中有广泛应用：（1）计算机视觉典型的应用包括：人脸识别、车牌识别、扫描文字识别、图片内容识别、图片搜索等等。（2）自然语言处理典型的应用包括：搜索引擎智能匹配、文本内容理解、文本情绪判断，语音识别、输入法、机器翻译等等。（3）社会网络分析典型的应用包括：用户画像、网络关联分析、欺诈作弊发现、热点发现等等。（4）推荐典型的应用包括：虾米音乐的“歌曲推荐”，某宝的“猜你喜三、入门方法与学习路径OK，不废话，直接切重点丢干货了。看似学习难度大，曲线陡的机器学习，对大多数入门者也有一个比较通用的学习路径，也有一些优秀的入门资料可以降低大家的学习门槛，同时激发我们的学习乐趣。简单说来，大概的一个学习路径如下：简单说一点，之所以最左边写了『数学基础』『典型机器学习算法』『编程基础』三个并行的部分，是因为机器学习是一个将数学/算法理论和工程实践紧密结合的领域，需要扎实的理论基础帮助引导数据分析与模型调优，同时也需要精湛的工程开发能力去高效化地训练和部署模型和服务。需要多说一句的是，在互联网领域从事机器学习的人，有2类背景的人比较多，其中一部分（很大一部分）是程序员出身，这类同学工程经验相对会多一些，另一部分是学数学统计领域的同学，这部分同学理论基础相对扎实一些。因此对比上图，2类同学入门机器学习，所欠缺和需要加强的部分是不一样的。下面就上述图中的部分，展开来分别扯几句：1.数学基础有无数激情满满大步向前，誓要在机器学习领域有一番作为的同学，在看到公式的一刻突然就觉得自己狗带了。是啊，机器学习之所以相对于其他开发工作，更有门槛的根本原因就是数学。每一个算法，要在训练集上最大程度拟合同时又保证泛化能力，需要不断分析结果和数据，调优参数，这...
