机器学习是一门多领域交叉学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
简单来说，就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。
近几年来互联网数据大爆炸，数据的丰富程度和覆盖面也远远超出了人工可以观察和总结的范畴，而机器学习的算法能指引计算机在海量数据中，挖掘出最有用的价值，这样使得无数的数据学习者为之着迷。
学习机器学习需要关注的问题其实并非所有的问题都适合用机器学习来解决，像很多逻辑清晰的问题用规则就可以很高效准确地处理。那么机器学习，到底关心和解决什么样的问题呢？
从功能的角度来分类，机器学习是在一定量级的数据上，可以解决以下的问题：
1.分类问题：根据数据的样本抽取出的特征，判定其属于有限个类别中的哪一个。比如：垃圾邮件识别哪些是垃圾邮件。
2.回归问题：根据数据样本上抽取出的特征，预测出一个连续值的结果。比如：漫威《复联3》的票房。（多么希望每天下班时间在地铁上来个响指～）
3.聚类问题：根据数据样本上抽取出的特征，让样本抱抱团。比如：google的新闻分类。
如果你是混迹IT行业的，你会发现机器学习在以下热点问题中有广泛应用。
- 计算机视觉：人脸识别、车牌识别、扫描文字识别、图片内容识别、图片搜索。
- 自然语言处理：搜索引擎智能匹配、文本内容理解、文本情绪判断、语音识别、机器识别。
- 社会网络分析：用户分析、网络关系画像、作弊发现、热门发现。
- 喜好推荐：音乐平台、视频平台的喜好推荐、购物平台的的猜你喜欢。
其实机器学习对大多数入门者也是有一个通用的学习路径的，这样可以降低大家的学习门槛，同时激发我们的学习乐趣。
那我们说一下这个学习路径：
先从基础部分：数学基础、典型机器学习算法、编程基础学起。因为机器学习是一个将数学/算法理论和工程实践紧密结合在一起的领域，需要扎实的理论基础帮助引导数据分析与模型调优，同时也需要精湛的工程开发能力去高效化地训练和部署模型和服务。
接下来就上述图中的部分，展开分别来介绍一下：
数学基础
机器学习之所以相对于其他开发工作，更有门槛的根本就是数学。每一个算法，要在训练集上最大程度拟合同时又保证泛化能力，需要不断分析结果和数据、调优参数，这就需要我们要对数据分布和模型底层的数学原理有一定的理解了。所幸的是如果只是想合理的应用机器学习，而不是做相关方向高端的research，需要的数学知识只要肯用功学一学还是可以理解下来的。
基本所有常见机器学习算法需要的数学基础，也都集中在微积分、线性代数和概率与统计当中。
典型的算法
绝大多数的问题用典型机器学习的算法都能解决，下面简单地列举了一些方法：
编程语言、工具和环境
我们说了很多的理论知识，现在要落到实际动手实现解决问题上了。对大多数初学者而言，Python语言是很好的入门语言，很容易上手，同时又活跃的社区支持，丰富的工具包帮助我们完成想法。相对而言，似乎计算机相关的同学用Python多一些，而数学统计出身的同学更喜欢R一些。资深程序员则更偏向java和C 相关机器学习package。
基本工作流程
学到这里我们基本具备了机器学习的必要条件，接下来就是怎么去运用它们去做一个完整的机器学习的项目了。技术学派为大家画了一个工作流程图方便大家更好的学习。
这个工作流程主要是在工程实践上总结出的一些经验。并不是说每个项目都包含完整的一个流程。这里的部分只是一个指导性的说明，只有大家自己多去实践，多积累项目经验，就会让自己有个更深刻的认识。
分享 IT 技术和行业经验，请关注-技术学派。
,
