學習「機器學習」這件事，我走過很長的一段彎路。有一些心得、體會和方法，在此和大家分享。
本課力圖引導大家以模型為驅動，進行學習。
我選擇了幾種經典模型（例如：線性回歸，邏輯回歸，決策樹，支援向量機，條件隨機場，k 均值等），作為入門的高階。
初次學習模型，不必貪多。但就這些選定的模型，一定要搞清楚其問題域、模型函式、目標函式、訓練演算法……潛入到數學公式推導的層面，對每一步的公式變換和對應物理意義有所理解，然後再去實踐。
這乙個個的模型，就是機器學習的「肌肉」，我們要通過觀察學習這一塊塊肌肉，以其為載體來了解機器學習的核心——將事物轉化為數值，將關係、變換轉化為運算——以事實（資料）為依據，以規章（演算法）為準繩，通過計算來掌握事物的客觀規律（模型）。
要知道，這些經典模型固然經典，但是到了實際應用中，它們並非神聖不可稍加改變。也不是說機器學習就僅限於這些經典模型。
只有掌握了機器學習精髓的人，才可能靈活運用現有模型去解決實際問題，甚至進一步針對具體問題發明自己的模型和/或演算法。
當然，達到這種程度並非一撮而就，總要從最簡單的模型開始。
根據我的經驗，即使是本課列出的這幾個最常用也相對簡單的模型，要真正掌握，都需要反覆學習。
有可能第一遍看完有點似是而非，或者感覺自己明白了，但要自己從頭推導又會半截斷片兒。
就像剛學完又忘掉生字，或是背誦到一半想不起後續99乘法表的小學生，這都是非常正常的現象。真正原因，就是還沒有真正掌握。
反覆多學幾遍，從頭到尾掌握整件事情的邏輯，知道乙個模型是怎麼從最初設定目標，到一步步實現目標的——當真正掌握了這個過程之後，再回頭看乙個個具體的模型，每一步都是順利成章的。
掌握了事物內在的邏輯性，再去記憶，就容易多了。
學習標準設定得不必太高，比如可以這樣：
第一遍學，只要求自己能完全掌握機器學習資料、模型、演算法相互作用的基本關係，訓練過程和評價標準。具體的模型，掌握最簡單的線性回歸就可以。
只要 end2end 掌握了第乙個模型，做到：能夠從模型函式開始推導出目標函式，再用梯度下降演算法求解，用（偽）**實現梯度下降求解過程。
第一遍學習掌握乙個模型；第二遍學習就不難掌握2-3個模型；第三遍就有可能掌握本課列出的大部分模型………如此由易到難，螺旋式推進。
對於一些數學模型本身就比較複雜的，比如條件隨機場、隱馬爾科夫這類涉及場論和勢函式的模型，如果直接入手，往往會被卡在模型函式本身上。但是當有了前面幾個模型的基礎，了解了更抽象層面的原理，掌握起來就容易多了。
很多同學，想學機器學習。但是一上來就看模型，看到一大堆炫酷的公式，往往感覺很嚇人。
有些人也就因此萌生退意，要麼放棄，要麼只用現成工具把模型當作黑盒使用。
其實，學習經典模型，並不需要多麼精深的數學功底，理工科大學本科的數學課就基本夠用了。
基礎數學概念
在學習的最初階段，只要：
就可以對本課中的經典機器學習模型有一定深度的感性認識了。
本課中的公式都是減了再減的，務必要掌握。如果實在數學工具掌握太少，最次最次，也至少要讀懂一組公式推導中的第乙個和最後乙個式子——
初次學習者，可以暫且掌握到這個深度。
兩條路徑反芻數學知識
當然，僅僅這樣的程度，套用現成模型還將就，卻不可能達到靈活運用的程度。
所以，還是建議同學們力求理解每一步推導過程。
如果有可能，可以事先複習一下大學本科的高數（數學分析）、概率統計和線性代數課本。或者，在學習模型的過程中，一旦遇到了數學上的阻礙，就回頭去查詢相應知識。
制定數學知識速查手冊
很多數學問題，之所以讓人頭大，其實並不是真的有多難，而是符號系統比較複雜，運算繁複，或者運算所表達的物理意義多樣。
很多時候造成困擾是因為想不起來這裡用到什麼定理，哪個公式，或者這樣操作表達的含義是什麼了。
如果把常用的細小知識點都記錄下來，按主題整理在一起，做成速查手冊（小字典），需要用的時候迅速查詢一下對應點，效果往往意想不到地好。能讓我們學習「機器學習」的道路順暢不少。
關聯把新學到的東西和日常的工作、生活聯絡起來，進行思考。比如：將理論代入現實，不同領域間事物的模擬，相似內容的對比等。
以身邊的例項來檢測理論。不僅能夠加深理論知識的理解，而且有助於改進日常事物的處理方法。
記錄準備乙個筆記本，紙的或者電子的。有什麼發現、感想、疑問、經驗等等，全都記下來。
如果是對某個話題、題目有比較完整的想法，最好能夠及時整理成文，至少記錄下要點。
隔一段時間後把筆記整理一下，把分散的點滴整理成塊，一點點填充自己的「思維地圖」。
分享把自己的感想、體會、經驗分享出來也是同理，還多出了鍛鍊自己邏輯思維能力和歸納總結能力。一舉多得，何樂而不為？
如何學習機器視覺
在與大家交流的過程中，發現了乙個問題，一直想說出來。可是通常實話都不會那麼順耳，所以總有些猶豫。可後再一想，既然大家來此的目的不過是為了討論問題 互通有無，那麼說了也應無妨。這個問題就是 我發現國內80 搞這行 機器視覺 的朋友所走的路子是錯的。於是在國外，從事這一行業的人現在也就可以簡單而清楚地分...
機器學習 四 之如何學習機器學習
推薦一篇很好的文章,本文部分借鑑於 kaggle的 手寫識別 首先 我們要了解 什麼是tensorflow?其次 我們要學會一些概念 再其次 我們要學會整個機器學習的思路 建立乙個機器學習的model 1 制定乙個model是線性的還是非線性的 2 使用乙個最簡單的單層的神經網路進行學習 3 選擇l...
機器學習 機器學習目錄
注 後期有時間的話會對每乙個演算法進行講解。1 普通線性回歸 2 廣義線性模型 3 邏輯回歸 4 線性判定分析1 決策樹基本原理與構建 2 cart演算法 3 回歸決策樹 4 分類決策樹1 貝葉斯定理與樸素貝葉斯 2 高斯貝葉斯分類器 3 多項式貝葉斯分類器 4 伯努利貝葉斯分類器 5 遞增式學習1...