相信想學習機器學習的廣大工程師們已經被那些演算法大神的言論虐的怕怕的了吧？不用擔心，我來帶你們理理乙個工程師需要入門機器學習，到底要走哪個路線？
一、 基礎
不用多說，機器學習作為高門檻領域，基礎還是需要的，但是也沒有想得那麼恐怖，很多人提問機器學習需要哪些數學知識，然後就會得到一大堆猶如天書般高大上的回答： 矩陣分析、微積分、概率論、統計學、數學分析等等，如果按照這些演算法大神的路線去走，也許這條路就真的走到頭了。
所以，入門階段要學什麼數學呢？
答案就是：大學學過的基本的線性代數、高數(主要是微積分)、概率統計，不需要多高深，重點是能看懂，工程應用的核心是實踐，不需要你去證明那些亂七八糟的定理！
好了，有了這些基本的基礎，你就可以看懂和理解大部分的機器學習演算法內容了。
2、程式語言
作為工程師，這個對你來說是小菜吧？目前來說python在科學計算領域是應用最廣的，因為學會它就行，雖然python效能不好，但是畢竟簡單嘛，很受非程式設計人員的歡迎。等你學懂了這個領域，自然可以其它語言去實現自己想要的東東。
二、入門
第一步：
如果你相信知乎演算法大神們推薦的elements of machine learning,那就真的入坑了，工程師最大的優點是啥？懂得實踐並且知道自己的實力到底有幾瓶醋！
因此我推薦學習machine learning in action,應用語言是python,如果對英文沒自信，那就看中文版本的:機器學習實踐。這本書最大的優點就是用較少的公式給你講解了盡量多的基本演算法，而且剖析到位，講解生動，降低了機器學習的抽象程度。
第二步：
可以學習一些網上的教學課程了，建議學習國外的，畢竟外國人的性格更擅長深入淺出。這裡推薦coursera上面andrew ng大神的machine learning課程。這門課程的特點如下：全面、深入淺出、有課堂作業來印證學習的內容。
這裡我有個建議：一定要一點一點地把這門課啃清楚了，所以作業都做會了，有問題就谷歌，總是有答案的。對於機器學習來說，基礎永遠都是最重要的！
第三步：
這個時候，你對機器學習應該也有一些概念了，這個時候可以培養一些全域性觀了，我們可以看這兩本中文教材：周志華大神的《機器學習》、李航大神的《統計學習方法》，這兩本是難得的佳作，值得一看！
英文書籍的話，可以看和 , 後者難度較大，但是內容很豐富，每次學習都會有新的收穫。
第四步：
到了上一步，就真的完全入門了，這一步就是選擇自己的應用方向了，畢竟機器學習是乙個籠統的概念。比如大資料分析**、圖模型、深度學習、自然語言處理、影象識別、語音識別等等，這些都是一些應用方向。
然後要講講機器學習的平台，現在最火的自然是tensorflow了，谷歌公司用c++開發，用python、go(很快就會在官方的api庫中正式發布，對此我還是很期待的，畢竟go語言的效能是非常高的，工程師不像演算法科學家，我們對於效能要求也是很苛刻的)做api介面。學習這個平台可以從tensorflow上那些models學起，看看這些應用是怎麼用tensorflow實現機器學習的。
再具體的，這裡就不多說了，其實作者作為工程師也是在摸索之中。
以上就是參考了網上很多文章和結合自身的感悟提出來的乙個工程師的入門路線圖，演算法方向的可以無視哈。
前端工程師學習路線
前端工程師學習路線 第一階段 html css html高階 css高階 div css布局 html css整站開發 js基礎 js基礎教程 js內建物件常用方法 常見dom樹操作大全 es dom bom 定時器和焦點圖 js基本特效 常見特效 tab 導航 頁面滾動 輪播圖 js製作幻燈片 淡...
演算法工程師《機器學習基礎》
機器學習基礎 邏輯回歸，svm，決策樹 1 邏輯回歸和svm的區別是什麼？各適用於解決什麼問題？2 linear svm 和 線性回歸 有什麼異同？答案 基礎知識 3 支援向量機屬於神經網路範疇嗎？4 如何理解決策樹的損失函式？5 各種機器學習的應用場景分別是什麼？例如，k近鄰,貝葉斯，決策樹，sv...
嵌入式工程師 學習路線
近來嵌入式挺火，於是大家都往這裡擠。我想提醒大家的是，嵌入式馬上也會成為如今的軟體業。在你進來之前請先考慮清楚。但只要我們真的學精了一樣東西，不管它將來變成什麼樣，哪怕最後只剩下乙個人，那個人也一定就是你自己。很多人以為搞嵌入式就是隨便找本書看看，在電腦上編幾個程式就完事。非也，其實嵌入式的門檻是比...