入門的話，你要是有時間，也學得下去，最好從基礎學起，最最重要的就是高數和機率統計學了。學明白了就可以聽懂機器學習的原理了。

如果不行的話，也可以先上上人工智慧入門的課。先綜合瞭解一下，人工智慧都在解決什麼問題，大概有哪些思路，人類是怎麼一步步發展到現在的機器學習的演算法的。

基礎打完就可以上機器學習的課了，或者買本教材，教材很多，大同小異，反正都離前沿很遠，但打好基礎方便看懂前沿技術。

再沒時間的話，我覺得也沒必要懂原理了，不必通俗的學機器學習了。直接找一些應用和常用工具，直接學習這東西怎麼用吧。工作時候就是這樣，2天學完Tensor flow做影象識別。

隨著越來越多的課題專案都需要跟大資料、人工智慧等技術相結合，很多非計算機專業的研究生同學需要學習機器學習相關知識，相信這也會成為一個大的趨勢。

我目前就在給我們學校的研究生同學上機器學習這門課，所以我結合課程的內容和要求來給初學的同學一些學習建議。

雖然參考書比較多，但是課程進行過程當中，有很多基礎內容的學習需要學生自主完成，而且我會把學生分成多個小組，每個小組有自己的學習任務，每週會有一次集中陳述，其他組的同學可以對相關任務進行提問。從實際的學習效果來看，不少組的同學都能夠對規定的任務做出一定的擴充套件。

對於非計算機專業的同學來說，學習機器學習可能會有三方面障礙，其一是沒有程式設計和演算法基礎，其二是沒有交流場景，其三是沒有實踐場景，所以要從這三個方面來入手。

程式語言可以選擇Python，一方面Python語言本身的語法結構比較靈活，對於初學者比較友好，另一方面Python也是一門全場景程式語言，在大資料和人工智慧領域有廣泛的應用。

初學者學習機器學習可以從經典的機器學習演算法開始，包括knn、決策樹、樸素貝葉斯、支援向量機等等，一方這些演算法比較簡單且容易理解，只需要具備一定的線性代數和機率論基礎，另一方面這些經典的機器學習演算法有很多應用的小案例，透過復現這些小案例能夠讓初學者儘快獲得學習的成就感。

很多同學在學習機器學習的時候並沒有交流和實踐場景，這會明顯提升學習的難度，而且也大機率會走一些彎路，所以要積極參加一些技術論壇，同時要積極爭取到專業老師的指導，這會明顯提升學習效率，也會更快找到自己的科研著力點。

目前我聯合一些國內外知名大學的導師和網際網路大廠的企業導師，共同打造了一個技術論壇，在持續開展科研實踐、專案實踐、成果分享和知識講座等活動，其中機器學習、深度學習、強化學習、聯邦學習、遷移學習等內容是關注的重點，感興趣的同學可以聯絡我申請參與，相信一定會有所收穫。

最後，如果有科研相關的問題，或者需要我的幫助，都可以聯絡我。