机器学习是什么？
套用一下大神们对机器学习的定义，机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单一点说，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。
近年来互联网数据大爆炸，数据的丰富度和覆盖面远远超出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，挖掘出有用的价值，也使得无数学习者为之着迷。
作为机器学习工程师，虽说不是专家，但总算有一些机器学习的项目经验，这一篇就我们的经验和各位同仁的分享，总结一些对于初学者入门有帮助的方法和对进阶有用的资料。
◆ ◆ ◆
机器学习关注问题
并非所有的问题都适合用机器学习解决(很多逻辑清晰的问题用规则能很高效和准确地处理)，也没有一个机器学习算法可以通用于所有问题。机器学习，到底关心和解决什么样的问题。
从功能的角度分类，机器学习在一定量级的数据上，可以解决下列问题：
1.分类问题：根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个。比如：垃圾邮件识别(结果类别：1、垃圾邮件 2、正常邮件)。
2.回归问题：根据数据样本上抽取出的特征，预测一个连续值的结果。比如：星爷《美人鱼》票房
3.聚类问题
：根据数据样本上抽取出的特征，让样本抱抱团(相近/相关的样本在一团内)。比如：google的新闻分类。
我们再把上述常见问题划到机器学习最典型的2个分类上。
如果在IT行业(尤其是互联网)里溜达一圈，你会发现机器学习在以下热点问题中有广泛应用：
◆ ◆ ◆
入门方法与学习路径
机器学习对大多数入门者也有一个比较通用的学习路径，也有一些优秀的入门资料可以降低大家的学习门槛，同时激发我们的学习乐趣。
简单说来，大概的一个学习路径如下：
最左边之所以列了『数学基础』『典型机器学习算法』『编程基础』三个并行的部分，是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。
在互联网领域从事机器学习的人，有2类背景的人比较多：
1.程序员出身，这类同学工程经验相对会多一些。
2.学数学统计领域出身，这部分同学理论基础相对扎实一些。
因此对比上图，2类同学入门机器学习，所欠缺和需要加强的部分是不一样的。
下面就上述图中的部分，展开来分别扯几句：
数学基础
机器学习之所以相对于其他开发工作，更有门槛的根本原因就是数学。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，这需要我们对数据分布和模型底层的数学原理有一定的理解。所幸的是如果只是想合理应用机器学习，而不是做相关方向高精尖的research，需要的数学知识啃一啃还是基本能理解下来的。
基本所有常见机器学习算法需要的数学基础，都集中在微积分、线性代数和概率与统计当中。
典型算法
绝大多数问题用典型机器学习的算法都能解决，粗略地列举一下这些方法如下：
机器学习里所说的“算法”与程序员所说的“数据结构与算法分析”里的“算法”略有区别。前者更关注结果数据的召回率、精确度、准确性等方面，后者更关注执行过程的时间复杂度、空间复杂度等方面。 当然，实际机器学习问题中，对效率和资源占用的考量是不可或缺的。
编程语言、工具和环境
看了无数的理论与知识，总归要落到实际动手实现和解决问题上。对初学者而言，Python和R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
以上我们基本具备了机器学习的必要条件，剩下的就是怎么运用它们去做一个完整的机器学习项目。其工作流程如下: 抽象成数学问题—— 获取数据——特征预处理与特征选择——训练模型与调优——模型诊断——模型融合——上线运行。
这些工作流程主要是工程实践上总结出的一些经验。并不是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，只有大家自己多实践，多积累项目经验，才会有自己更深刻的认识。
说了这么多，你应该对机器学习都有了基本框架！或者已经机器学习有了自己的一套心得。那么如何求职机器学习工程师呢？
最好的方法就是能找到一个比你自己更靠谱的前辈、老师帮你持续性的指导！
因此，就在5月9日网易云课堂准备了一场关于《机器学习》的免费直播课，告诉你如何快速拿到机器学习工程师offer！
扫码即可加入“机器学习QQ群”
获取机器学习资料、直播课和精品体验课
▼
（转载授权：寒小阳）
