首先學習機器學習必須有紮實的數學基礎和演算法基礎，要想吃透其思想沒有捷徑可以走，只能踏踏實實的學習，不然南京大學成立的人工智慧學院怎麼開了那麼多門的數學課？比如高等數學、線性代數、機率論與數理統計、泛函分析、運籌學（注意不是諸葛亮運籌帷幄的那個兵法，是數學的分支，你如果理解為奇門遁甲得原理和數學相通的，這個是沒問題的）、演算法設計等等，據說985的大學生也學的頭疼，其實我覺得不管什麼樣的好學生，認識事物都是從感性到理性的過程，不可逾越，能夠逾越的，都是從小各種環境就好，985大學生學起來吃力說明課程安排和時間安排有問題，我是做大學生工作的，對955同學也很瞭解，就是他們太忙了，一上大學手頭的名目太多了：什麼考研、第二學歷、託福等。不說這些了，那麼初學者機器學習想入門到底有沒有捷徑可走？答曰：有，前提是你肯專研，這可不如web前端、JAVA語言之類的入門容易，按照我說的步驟做法如下：
1、你連初高中的數學都不紮實的，多補習，多做數學題
因為有些演算法初高中的數學就能解決，比如協同過濾演算法裡面求相似度：你可以用歐式距離求，歐式距離不會？那你還不復習和補習？初中學的。可以用餘玄函式求解，這個是初中知識吧？
當然也可以用大學學的方差、相關係數求解，忘了？可以百度，大學生應該有自學能力吧（由於分數低的200～450分的不算，當然也有好的，我們這裡不談小機率事件，大家也別喝毒雞湯：什麼某某學歷不好，但是什麼什麼云云，下同）？
2、你可以藉助於計算框架先入門
機器學習計算框架比如JAVA語言的mahout、python語言的機器學習庫（一般來說是sklearn），Scala語言的MLib。比如決策樹演算法就被python封裝的很好。
基礎不好，藉助於框架也是沒辦法的事情，先入門體驗，再學原理。值得注意的是：不可以只會框架，不懂原理和推導步驟，這樣只會表面東西沒什麼用。
我的學生我直接要求使用程式碼實現諸如Apriori演算法、決策樹演算法等，我不讓他們用框架，那是害他們，什麼時候用框架？對了，工作時候用，因為工作和學習不一樣，工作追求效率，學習追求原理。所以很多社會上拿python來忽悠的，大多數為學藝不精或者不學無術者來誤人子弟，大家一定善於辨別，別入坑。
3、要有不斷學習和鑽研精神
急功近利的人學不好機器學習，更別指望靠它創新設計出來新的數學模型。比如SVM支援向量積演算法涉及到的知識有凸最佳化、拉格朗日乘數法、空間幾何等知識，很多機器學習的書本寫到這個演算法就寥寥幾筆帶過，因為沒法寫了，要寫光這個演算法就寫好幾本書？那怎麼辦，我們大家要有鑽研精神。
機器學習演算法工程師工資是高，甚至月薪10萬以上很正常。但是你和麵試官說我會python機器學習，面試官必然問的深入，這時候你就會表面東西肯定和高薪無緣，不是不用你，你可以做資料、調引數。
所以我們浮躁不得，更不能有傳統思想：靠簡單的遊戲規則賺大錢，因為現在資本家投資越來越理性，野蠻增長日子一去不復返。更重要的你不愛機器學習，它就不愛你，你目的不純（只向錢看）它更讓你難受。所以要學機器學習務必有鑽研精神。
至於入門的書有沒有？答曰：有，列舉如下：
1、《白話大資料與機器學習》
這本書將涵蓋以下比較重要的資料探勘和分析知識點：機率、統計和分佈、多維向量空間、迴歸、聚類、分類、關聯分析、協同過濾、文字挖掘、神經網路。同時，講解了大資料相關的人才需求、行業情況、大資料變現與產品釋出、系統調優等讀者需要了解的內容。
2、《白話深度學習與TensorFlow》
本書寫的很人性化，作者還是高揚等，這裡感謝開發公司的架構師們百忙之中還為初學者著想。
本書適用於零基礎的初學者：
（1）基礎篇（靠前～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習演算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。
原理與實踐篇（第4～8章），介紹“老牌”的深度學習網路的數學原理和工程實現原理，尤其是第4章，如果能基本讀懂，後面的網路實現層面的問題基本都可以迎刃而解。涵蓋BP網路、CNN、RNN的結構、思路、訓練與使用，以及一些常見的綜合性問題。該篇是學習深度學習的重點和難點，作者透過大量示例、推理與實現，幫讀者優選化降低學習曲線。
（2）擴充套件篇（第9～13章），介紹一些網路的變種和一些較新的網路特性，涵蓋深度殘差網路、受限玻爾茲曼機、強化學習、對抗學習，這是讀者進一步學習與實踐思路的鑰匙。很後給出了一些有趣的深度學習應用：人臉識別、作詩姬、大師風影象處理，有趣又等
首先學習機器學習必須有紮實的數學基礎和演算法基礎，要想吃透其思想沒有捷徑可以走，只能踏踏實實的學習，不然南京大學成立的人工智慧學院怎麼開了那麼多門的數學課？比如高等數學、線性代數、機率論與數理統計、泛函分析、運籌學（注意不是諸葛亮運籌帷幄的那個兵法，是數學的分支，你如果理解為奇門遁甲得原理和數學相通的，這個是沒問題的）、演算法設計等等，據說985的大學生也學的頭疼，其實我覺得不管什麼樣的好學生，認識事物都是從感性到理性的過程，不可逾越，能夠逾越的，都是從小各種環境就好，985大學生學起來吃力說明課程安排和時間安排有問題，我是做大學生工作的，對955同學也很瞭解，就是他們太忙了，一上大學手頭的名目太多了：什麼考研、第二學歷、託福等。不說這些了，那麼初學者機器學習想入門到底有沒有捷徑可走？答曰：有，前提是你肯專研，這可不如web前端、JAVA語言之類的入門容易，按照我說的步驟做法如下：
1、你連初高中的數學都不紮實的，多補習，多做數學題
因為有些演算法初高中的數學就能解決，比如協同過濾演算法裡面求相似度：你可以用歐式距離求，歐式距離不會？那你還不復習和補習？初中學的。可以用餘玄函式求解，這個是初中知識吧？
當然也可以用大學學的方差、相關係數求解，忘了？可以百度，大學生應該有自學能力吧（由於分數低的200～450分的不算，當然也有好的，我們這裡不談小機率事件，大家也別喝毒雞湯：什麼某某學歷不好，但是什麼什麼云云，下同）？
2、你可以藉助於計算框架先入門
機器學習計算框架比如JAVA語言的mahout、python語言的機器學習庫（一般來說是sklearn），Scala語言的MLib。比如決策樹演算法就被python封裝的很好。
基礎不好，藉助於框架也是沒辦法的事情，先入門體驗，再學原理。值得注意的是：不可以只會框架，不懂原理和推導步驟，這樣只會表面東西沒什麼用。
我的學生我直接要求使用程式碼實現諸如Apriori演算法、決策樹演算法等，我不讓他們用框架，那是害他們，什麼時候用框架？對了，工作時候用，因為工作和學習不一樣，工作追求效率，學習追求原理。所以很多社會上拿python來忽悠的，大多數為學藝不精或者不學無術者來誤人子弟，大家一定善於辨別，別入坑。
3、要有不斷學習和鑽研精神
急功近利的人學不好機器學習，更別指望靠它創新設計出來新的數學模型。比如SVM支援向量積演算法涉及到的知識有凸最佳化、拉格朗日乘數法、空間幾何等知識，很多機器學習的書本寫到這個演算法就寥寥幾筆帶過，因為沒法寫了，要寫光這個演算法就寫好幾本書？那怎麼辦，我們大家要有鑽研精神。
機器學習演算法工程師工資是高，甚至月薪10萬以上很正常。但是你和麵試官說我會python機器學習，面試官必然問的深入，這時候你就會表面東西肯定和高薪無緣，不是不用你，你可以做資料、調引數。
所以我們浮躁不得，更不能有傳統思想：靠簡單的遊戲規則賺大錢，因為現在資本家投資越來越理性，野蠻增長日子一去不復返。更重要的你不愛機器學習，它就不愛你，你目的不純（只向錢看）它更讓你難受。所以要學機器學習務必有鑽研精神。
至於入門的書有沒有？答曰：有，列舉如下：
1、《白話大資料與機器學習》
這本書將涵蓋以下比較重要的資料探勘和分析知識點：機率、統計和分佈、多維向量空間、迴歸、聚類、分類、關聯分析、協同過濾、文字挖掘、神經網路。同時，講解了大資料相關的人才需求、行業情況、大資料變現與產品釋出、系統調優等讀者需要了解的內容。
2、《白話深度學習與TensorFlow》
本書寫的很人性化，作者還是高揚等，這裡感謝開發公司的架構師們百忙之中還為初學者著想。
本書適用於零基礎的初學者：
（1）基礎篇（靠前～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習演算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。
原理與實踐篇（第4～8章），介紹“老牌”的深度學習網路的數學原理和工程實現原理，尤其是第4章，如果能基本讀懂，後面的網路實現層面的問題基本都可以迎刃而解。涵蓋BP網路、CNN、RNN的結構、思路、訓練與使用，以及一些常見的綜合性問題。該篇是學習深度學習的重點和難點，作者透過大量示例、推理與實現，幫讀者優選化降低學習曲線。
（2）擴充套件篇（第9～13章），介紹一些網路的變種和一些較新的網路特性，涵蓋深度殘差網路、受限玻爾茲曼機、強化學習、對抗學習，這是讀者進一步學習與實踐思路的鑰匙。很後給出了一些有趣的深度學習應用：人臉識別、作詩姬、大師風影象處理，有趣又等