机器学习和人工智能是如今的最热门的学习方向，但是大家都不知道该怎么入手。今天，通过这篇文章，我们来告诉大家机器学习的应该如何入门。
机器学习的第一课
机器学习的本质是通过数学模型的搭建框架，并依靠机器本身不断的自行优化，最终得最优解。因此，我们的第一课最好以数学为基础，进行学习实践。
在整个学习过程中，你可以会遇到以下几种数学知识：
1.线性代数：矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
2.统计与概率：概率分布，独立性与贝叶斯，最大似然(MLE)和最大后验估计(MAP)等
3.优化：线性优化，非线性优化(凸优化/非凸优化)以及其衍生的求解方法如梯度下降、牛顿法、基因算法和模拟退火等
4.微积分：偏微分，链式法则，矩阵求导等
5.信息论、数值理论等
而这些数学理论对初学者来讲，是一个巨大的门槛。因此，这里需要注意的点是：如果数学对你基本为劝退效果，那么就先放下这些东西，从机器学习十大算法本身去学习，在学习的过程去，去弥补自己的不足。毕竟数学知识只是认知算法的一种工具，而不是算法本身。
机器学习十大算法
作为最有名，且最重要的机器学习十大算法，你虽然不说完全认知，但是，你必须要对里面的东西进行很深刻的了解。只有这样，才能让你对机器学习有一个系统的了解和认识。这里推荐周志华老师的《机器学习》一书，相当经典的一本。
在这个阶段学习过程中，你可以会遇到的十大算法：
(由于网上可以找到很多的数据，我这里只列举名称，后续有机会，在给大家挨个分析每一个算法)
1. 线性回归2. Logistic 回归3. 线性判别分析4. 分类和回归树5. 朴素贝叶斯6. K 最近邻算法7. 学习向量量化8. 支持向量机9. 袋装法和随机森林10. Boosting 和 AdaBoost
从机器学习算法本身来看，算法模型主要分为2个流派，一个是以随机森林为主的“vote派”，简单来说，就是将样本文件随机分块，然后分别投入算法中，以结果数量多的为最终结果。另一种流派为“反馈派”，得到一个结果后，不断的反馈至模型，模型通过不断的调整参数，最终输出最优解。
当然，在这个基础上，很多人很难去静下心来一一学习，在这里可以推荐一下重点关照的算法，树结构，支持向量机，随机森林和Boosting。
骗人的深度学习
深度学习的本质是不断的反馈，然后深度学习模型通过反馈结果不断的调整参数，最终得到一个最优解。因此，这里特别强调的一个点是，深度学习本身就是一种黑盒算法，过分的学习理论其实并没有任何作用。你唯一能做的，就是学习市面上别人已经写好的框架，然后努力的调整自己的参数。而且由于深度学习需要很高性能的硬件设备，对于一般人来讲，其实并不是特别友好。
当然，这里并不是贬低深度学习算法，这里仅仅强调的一点是，深度学习的算法大部分是存在于调整参数的方法上，如果快速的调整参数，达到最优的结果，才是你最需要做的事情。
机器学习的相关硬件和语言选择
如果要做深度学习，Linux还是首选，因为其对很多学习模型支持比较好(主要是深度学习的Library)。但即使你使用的是Windows系统，也可以用虚拟机装Ubuntu来进行学习。小型的深度学习模型足够了，大型的深度学习我们很少在本地/个人计算机上运行。至于编程语言，首推Python，因为其良好的拓展支持性，主流的工具包都有Python版本。在特定情况下，选择R作为编程语言也是可以的。其他可能的语言还包括C++、Java和Matlab，但我个人不大推荐。不推荐的理由，主要是因为语言本身依赖的底层环境较多，对性能很难保证。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLQ、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图，文末附免费下载方式。
目录
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、机器学习+计算机视觉基础算法教程
五、深度学习机器学习速查表（共26张）
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。