条条道路通机器学习，网上讲述的大多数道路是从理论学习开始的。但是，由于计算机科学是一门实践科学，从理论开始学习机器学习并不妥当。
在这篇文章里，介绍学习机器学习的一种方法。通常，技术人员的修习之路，兼具实践性和经验性，需要你潜心研究、付诸于实验，然后建立起自己的技术直觉。
机器学习的修习之路可分为 4 个方面 :
1. 学习一种机器学习环境
2. 学习一个机器学习数据集
3. 学习一个机器学习算法
4. 实现一个机器学习算法
听上去有点像 "如何把大象关在冰箱里"，下面一一来看。
1. 学习一种机器学习环境
选择一种自己喜欢的机器学习环境，并学习如何将其用好。
建议从一个内置了数据准备工具、机器学习算法工具、结果表示工具的机器学习环境体系开始。这样的机器学习环境体系会让你更好地掌握端到端的机器学习过程，这种对体系的学习，比单纯学习一种特定的数据准备技术或者机器学习算法更有价值。
如果你对某特定算法或算法类感兴趣，你也可以借此环境体系深入研究提供该算法的库或者工具，通过掌握该库或者工具来掌握该特定算法。
推荐使用的机器学习环境如 : R、Scikit-learn、TensorFlow。
2. 学习一种机器学习数据集
选择并洞悉一个数据集，探索何种算法或算法类最适合用于该数据集的处理，培养对数据的敏感度。
建议选择一个对内存来说适度大小的、被广泛使用的成熟数据集。市面上有很多不错的数据集可供选择。然后，你要做的是去了解数据集所表达的待解问题、数据集的结构、以及寻找最适合该数据集处理的解决方案。
学习数据集时，可以选择一种机器学习环境或者统计开发环境。这有助于你将注意力集中到如何解决数据集的待解问题上，而不用为解决方案的代码实现细节而分心。
一些优质的数据源如 ：UCI ML Repository、Kaggle。
3. 学习一个机器学习算法
研究一种算法，体会用其处理不同数据集时候，算法部分参数的稳定性和部分参数的微妙变化。
建议从一个复杂度适度的算法入手。选一个易于理解的算法，这类算法有许多种开放的源码实现可供选择，有比较少的参数供你研究。这里的目标是，对算法解决各种问题的能力和算法调参建立直观印象。
同对数据集的学习一样，使用一种机器学习环境来学习一个机器学习算法。这将使你能够将算法的行为作为一个系统来研究，而不是相反地"浪费"精力到数学和文献细节。
一些可用于入门的机器学习算法如：Least Squares、Linear Regression、Logistic Regression、k-Nearest Neighbour Classification、Perceptron
4. 实现一个机器学习算法
选择一个复杂度适中的算法，对其关键点进行细节研究，然后使用自己喜欢的计算机语言，试着用代码实现该算法。亦或者在不同语言之间移植算法实现。
将算法描述转化为代码实现、转化为功能系统的过程中，会遇到种种微决策。从点滴开始动手实现一个算法，对深入理解这些微决策很有帮助。对众多算法重复这种转化过程，以后遇到论文或文献中的数学与算法描述，你可以快速地对其建立起一种阅读直觉。
一些关于算法实现的想法:
1. 从一种语言到另一种语言移植开源的算法实现，是实现自己的算法实现的一种不错的入门方法。（实名推荐）
2. 对于一种算法，任何一种算法描述都有其侧重点和片面性，请参考两个以上的算法描述。
3. 对于一种算法，不同的算法实现有不同的细节考量，在时间允许的条件下，也可以阅读不同的算法实现。
4. 许多机器学习算法的实现核心，使用了一些先进的优化方法。不要试图去重新实现这些先进的优化方法，使用易于实现的优化方法 ( 如梯度下降法 ) 或者调用库方法取而代之。
小项目方法论
针对你想要弄清楚的问题，设计运行一些小项目。这种敏捷开发，可以让你快速地建立起针对问题的技术直觉。
小项目"小"在这么几个维度：
1. 花费时间少。一个项目从概念设计到项目结果展示，一般控制在 10 个小时以内。
2. 涉及范围小。先将问题收敛，再设计项目来对其实现。比如，问题 "微博是否会被转发" 可以收敛为 "特定时间段内特定账户的微博是否被转发"。
3. 花费资源少。保证仅使用"笔记本+互联网"，就可将你的小项目迅捷地执行，而不依赖别的数据库架构或Web架构。
参考 :
1. https://machinelearningmastery.com/blog/page/67/
2. 不断更新中