这段时间在啃《机器学习实战》，准备通过这本书入门机器学习。

（图片来源：亚马逊 https://www.amazon.cn/）

但这本书著作时间有些早，部分代码用法老旧，逻辑不够清晰，命名混乱。

例如，在本书中很多地方对numpy的引用如下：

from numpy import *

这种写法会导致代码中和numpy相关的方法关联性变弱，不利于学习和降低代码可读性。建议改成如下写法：

import numpy as np

本书中还有不少细节就不一一列举，在后面的博文会详细说明。

我打算在学习的过程中，吸收并用自己的方式写出来。加深印象和笔记记录，也方便想学习机器学习却入门无法的人。

之前对机器学习比较感兴趣，但不知道怎么入门。毕竟这个是比较高层次的开发领域。后来不断搜索，总结一下入门所需的东西。

1、至少掌握一门编程语言

目前有三大热门开发语言：Python、R语言、Matlab

早期是Matlab比较多，若你熟悉这个不妨可以看看Andrew Ng教授的视频。一共有两套，搜索一下就有。现在主流的用Python和R语言比较多。这本《机器学习实战》是用Python作为开发语言。

Python在机器学习上有着天然的优势，因为它更接近自然语言而且有大量数据科学计算库支持。

在学习过程中，发现还需要学Python相关的科学计算库和图形库等。这个不是问题，我一开始也是不懂。在学习的过程中，慢慢学会。

当然，机器学习需要大量数据作为基础。有时候需要自己收集数据，而数据一般来自互联网。那么你多少也要懂得一些正则表达式、html前端和爬虫网抓知识。

同样现在不会也没问题，需要用到的时候再学，只是后面会有点吃力。

学习时碰到困难就解决，要有这个勇气和信心！

2、掌握一定的统计学知识

机器学习主要是收集数据，分析数据，建立机器学习模型，再使用模型。

其中分析数据就需要使用到统计学的知识。大学的高数差不多够用了。

有人问，不懂这些可以学吗？个人还是肯定的说至少要懂矩阵、线性回归等等。这些都是机器学习的基础和核心。若不懂这些，基本看不懂原理，很难学会。

网上还说了其他的，但这些就够了。说太多反而容易打击信心。其中大部分东西可以在学习的过程中学会。后面我会逐步发表我学习机器学习的学习笔记。

机器学习是多维度、高难度的领域，你有信心征服它不？

3、相关资源和文章

《机器学习实战》的源码和素材：

https://github.com/pbharrin/machinelearninginaction

该专题相关文章：

机器学习01：k-近邻算法简单分类

机器学习02：k-近邻算法综合使用

机器学习03：k-近邻算法拓展和总结

机器学习04：创建决策树

机器学习05：绘制决策树

机器学习06：朴素贝叶斯理论知识

机器学习07：朴素贝叶斯应用(词集模式)

机器学习08：朴素贝叶斯应用(词袋模式)

机器学习09：逻辑回归详解

机器学习10：逻辑回归优化

更多文章，持续更新中……

后记：这本书需要一定的高数基础以及理解能力。书中很多地方思路绕得太弯，没解释清楚。

上一篇：机器学习01：k-近邻算法简单分类

下一篇：我为什么不用Access了

相关专题： 机器学习实战