知識點還是蠻多的，有程式碼知識，演算法知識，還要有視覺化的知識

如果你想轉入機器學習行業，資料處理工具你的掌握吧，像sas，spss，這樣的大型專業分析軟體既笨重又要錢，相對來說，Python，R語言在資料處理方面更加友好，也更加簡單，這個時候程式碼只是我們處理資料的一個工具，不需要十分精通，但是像Python，基本的語法和資料結構你得會吧常用的模組numpy，pandas等常用的資料處理包得熟練掌握，scikit-learn等演算法庫你也得會使用吧

既然是機器學習，那演算法是必不可少的，還好，目前成熟的並且常用的演算法都很完備比如，聚類演算法，邏輯迴歸演算法，支援向量機，貝葉斯演算法，決策樹等等，你可以剛開始學會用就好了。Python中有專門的演算法庫，可供學習的時候呼叫。

但是不能一直滿足會用即可，要懂實現過程和原理，這就需要大量微積分學，統計學，機率學的知識了，最少得知道基本的:最小二乘法，梯度下降法，假設檢驗，高斯分佈，伯努利分佈，貝葉斯定理，極大似然估計，卷積等等知識，少不了被牛頓，萊布尼茨，高斯，拉格朗日，柯西，伯努利，泰勒這些牛人虐待一番

機器學習一般晦澀難懂，看結果也不容易，這個時候需要你圖文並用的像領導或者同事來解釋和說明。

資料視覺化是比較重要的一步，畢竟讓別人看懂你的工作成果才可能有利用價值，視覺化方面，強烈建議使用Python，因為他有許多極好的圖形庫。

後記:當然，以上只是幾個主要的機器學習知識點，如果你做這方面的工作，還有更多東西需要你去學習和了解，比如業務需求，業務資料的處理場景等等

機器學習/人工智慧學習路線：

①機器學習的基礎是數學，入門AI必須掌握一些必要的數學基礎，但是並不是全部的數學知識都要學，只學工作上實際有用到的，比如是微積分、機率論、線性代數、凸最佳化等這些。

②資料分析裡需要應用到的內容也需要掌握，但不是網上所說的從0開始幫你做資料分析的那種，而是資料探勘或者說是資料科學領域相關的東西，比如要知道計算機裡面怎麼挖掘資料、相關的資料探勘工具等等

補足了以上數學和資料探勘基本知識，才可以正式進行機器學習演算法原理的學習。

③演算法方面需要掌握一些基本的框架：python、spark、mllib、scikit-learning、pytorch、TensorFlow，資料方面需要懂得HQL、numpy、pandas，如果你本身是後臺開發、app開發、資料分析、專案管理，則是一個學習演算法的一個加分項。

④最後需要對人工智慧有全域性的認知，包括機器學習、深度學習兩大模組，相關的演算法原理、推導和應用的掌握，以及最重要演算法思想。

確實人工智慧領域所要學習的東西太多，交叉的知識太多，所以這樣才需要有導學。很多同學自學，每個部分都學一些，但是卻不能實際應用。而企業的面試官真正會問到問題是這些：某個演算法的原理是什麼？某個實際問題應該用什麼演算法解決？在某個場景下你應該應用什麼樣的演算法？比如推薦系統的召回演算法你應該怎麼設計？你對推薦系統的認知，你知道哪些呢？等等，能夠回答這些問題，你才算真正入門，而不是說我懂線性代數、懂python、懂機器學習理論就是入門了。要回答某一問題要用什麼問題解決，你要知道全貌，要學習很多的演算法原理和思想的，並且知道怎麼應用。

所以我建議你真正要學習的話，可以報個班系統地學習，搭建起整個機器學習的知識體系，在這裡我推薦下菜鳥窩的機器學習工程師就業課。他們會從python基礎、資料分析、數學開始，都是從0基礎手把手教學，老師都是BAT工業界多年實踐經驗的，能讓你在最短時間入門機器學習，並且擁有持續讀paper等的自學能力，不過培訓跟相親一樣要看眼緣，你可以先聽聽他們的免費公開課，基本能入個門：https://www.cniao5.com/course/10231