机器学习已经被广泛应用，教程、文章、开源代码到处都是，有些时候只需要你对机器学习算法稍有了解就可以在实际中很好的应用。
但是机器学习还是非常难：
●推动机器学习研究进步的科学本身很困难，需要创新、实验和坚持；
●把已知的机器学习模型应用到实际工作中也是一件困难的事情；
●市场上的机器学习工程师比普通的软件工程师也要昂贵一些。
困难并不是来自于数学，因为机器学习的相关实现并不要求很高的数学基础。困难来自于：
1、选择什么样的机器学习工具
这要求对每个算法和模型的优劣势都了如指掌，这个技能可以通过学过这些模型（课程、教程、Paper等）来获得。当然这类知识构建的困难是计算机所有领域都存在的，不仅仅是机器学习。
2、机器学习很难调试
这种困难表现在两方面：
1）算法不work；
2）算法work，但并未足够好。
机器学习独有的特征是：查找上面问题的原因是“指数”难度的。通常，机器学习算法的Debug都需要很长的时间，很多bug用小数据量很难重现，而且往往在迭代的后期才能出现。很少有算法可以一次成功，所以更多的时间花在调模型上。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
四大机器学习编程语言对比：R、Python、MATLAB、Octave
http://www.duozhishidai.com/article-16728-1.html
人工智能，机器学习和深度学习之间，主要有什么差异？
http://www.duozhishidai.com/article-15858-1.html
干货：深度学习 vs 机器学习 vs 模式识别三种技术对比
http://www.duozhishidai.com/article-15119-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
