我是一名老Java程式設計師（04年開始使用Java），目前也正在做基於機器學習的智慧診療專案，所以我來回答一下這個問題。我從兩個方面來分析一下作為Java程式設計師如何轉向機器學習，一方面是語言的選擇，另一方面是做機器學習需要哪些知識儲備。

我在早期做機器學習實驗的時候使用的就是Java語言，因為對Java語言比較熟悉，所以並不覺得有多麻煩。直到有一次我參加一個機器學習的交流會，會上跟同行交流發現，大家幾乎都在使用Python做演算法實現，這時候我發現可能使用Java並不是最好的選擇。

回來之後我就開始著手學習Python語言，大概用了一週左右的時間我就完成了基本語法的學習，然後就開始一邊使用一邊熟悉Python的編寫規則，然後就一直使用Python到現在。

其實，語言只是個工具，說到底做機器學習的核心並不在語言上，但是方便的語言工具會節省大量的時間，所以我個人比較推薦使用Python做機器學習。有Java基礎的程式設計師學習Python非常簡單，基本上一週左右就能掌握基本的編寫規則。

機器學習簡單的說就是在一堆雜亂無章的資料中找到某種規律（Machine Learning in Action），機器學習的步驟是資料收集、資料分析、演算法設計、訓練演算法、驗證演算法、使用演算法等。

做機器學習要掌握機器學習中經常使用的演算法，包括決策樹、k近鄰、樸素貝葉斯、支援向量機、Logistic迴歸、Apriori演算法等。

要掌握如何使用程式語言實現這些演算法，透過大量的訓練來完善機器學習的過程。

從事機器學習是一個非常好的方向，伴隨著大資料的發展機器學習也得到了快速發展的機會。我就是從大資料研究開始進而做機器學習方面的研發，大資料對機器學習來說非常重要，因為機器學習需要大量的訓練資料。

如果你有大資料、機器學習方面的問題，也可以諮詢我。

程式開發和資料建模有很多共同點和不同點

共同點就是都需要用程式實現所需要的功能 作為Java程式設計師用程式實現功能是和資料建模類似的

不同點在於程式開發的功能實現相對流程化 而資料建模更偏問題的解決 作為java程式設計師需要補充一些資料分析 建模知識 行業背景方面的知識

所以在轉向機器學習做資料建模的時候需要補充一些機器學習常用模型的基礎知識和這些模型能夠解決的常規問題 然後深入瞭解自己所在行業 找出自己工作中可以運用哪些模型解決哪些這個行業的瓶頸問題

往往轉型的人對知識的學習非常注重 但忽略了行業背景 自己的知識不能很好的和行業相結合 導致模型脫離實際問題 只能套用模型卻無法真正運用模型去解決實際問題

稍微學一下Python，機器學習必須得用的。你已經是Java程式設計師了這對你來說並不難。然後去找各種各樣的系統的教程，比如吳恩達的。同時也要補補數學。要加一些好點的群，對於新手很有必要。其實沒必要花錢補什麼，好的都是免費的。

來自ATYUN