到2018年，AI其实都没有这么火了，因为区块链更火，一个是改变生产力，一个是改变生产关系，社区如是说。
当然，技术社区从来对去中心化都是特别热衷的，这也就见怪不怪了，2019年，什么技术又会更火？拭目以待。
最近，短视频被降火，这真的是计划没有变化快。
学习机器学习，我的建议是，有空就去看《深度学习》这本书，能够从基础打牢AI相关知识。再了解了解业界最新进展什么的，很多人都不知道机器学习该如何入门，而很多文章一上来就说要学数学，要看大牛们的公开课等等，吓退了一波又一波人。
简单说，机器学习不过是一种计算机算法，只因他是我们认知里的智能有了联系，加上需要大量数据的计算，才让我们觉得有点高大上。实际上，人工智能还有很长的路要走。
后续，我会基于《机器学习系统设计》这本书，分小结来具体实战带你入门机器学习，只要你有一点点基础就行，书名有点高大上，而实际上就是一些算法分章节的介绍而已，不要被名字吓到。
希望你在撸代码的同时，对机器学习能渐渐有更深入的了解，虽然DL4j和TensorFlow对于真实项目来说更好用，但我还是建议你从纯python入门，知其然并知其所以然，而平时有空闲时还能快速用python学习并验证一下，甚至写写别的什么应用，况且TensorFlow就是基于python的。
环境配置
一台电脑（window或mac os）
工具版本
主要工具：
Python 2.7.14（32位，足够）
NumPy 1.14.2
SciPy 1.0.1
Scikit-learn 0.19.1
辅助工具：
Matplotlib： 2.2.2（是Python编程语言及其数值数学扩展包 NumPy的可视化操作界面。它为利用通用的图形用户界面工具包，如Tkinter, wxPython, Qt或GTK+向应用程序嵌入式绘图提供了应用程序接口（API）。此外，matplotlib还有一个基于图像处理库（如开放图形库OpenGL）的pylab接口，其设计与MATLAB非常类似–尽管并不怎么好用。SciPy就是用matplotlib进行图形绘制。所以基本上都是附带引用。）
Ipython：5.6.0（是一种基于Python的交互式解释器。相较于原生的Python Shell，IPython提供了更为强大的编辑和交互功能。）
pandas：0.22.0（是一个开源的库，为Python编程语言提供了高性能，易用的数据结构和数据分析工具。其实就是用来读文件，清洗数据用的。）
Sympy：1.1.1（是一个符号计算的Python库。支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散数学、几何学、概率与统计、物理学等方面的功能。）
nose ：1.3.7（Python的测试工具框架）
第1步：安装python
双击.exe文件，mac os安装我也不太清楚，请查搜索引擎。
第2步：安装NumPy及SciPy
一句命令就搞定：
python -m pip install --user numpy scipy matplotlib ipython jupyter
pandas sympy nose第3步：安装Scikit-learn
python -m pip install -U scikit-learn第4步：安装IDE
推荐使用pycharm，使用Wing也不错（因为曾经很长一段时间项目中都用它，有点个人感情）
用惯了idea，用pycharm会很顺手，界面如下图：
小结
今天的文章主要说了配置python的机器学习环境，为了后续的学习先配好基础环境。
闲谈一分钟
很多人之所以觉得编程难学，一方面是学习本身的时间成本，而另一反面就是工具能不能用顺心，再就是大多数人并不重视配置环境而造成的。·
不要小看配置环境的这个过程，不同的版本可能会出现各种各样奇奇怪怪的编译问题，所以能够快速的配置好一个可供学习的编程环境尤其重要，特别对于初学者来说。
过去部署过程中踩过巨坑的人请举手！
个人认为，甚至影响了对学习编程兴趣程度，我过去使用Exclipse，觉得编程好难好难（新版其实好用多了，也有很多人喜欢用），而自从用了idea后，我才发现，原来哪怕只是一步的效率提升都能让感受完全不一样，也可能因为我是个感性重于理性的人才会这样，后来才明白只不过是一个偏好选择问题罢了。
当然python的环境配置比较简单了，而要是让你配置一个AIX下的Oracle RAC呢？而找到一件喜欢的工具，对于学习本身是会起很大作用的。
参考资源：
1、https://scipy.org/install.html
2、https://www.python.org/
3、http://scikit-learn.org/stable/install.html