导读：这是一篇保证你“看得下去”的文章。让你真正搞懂机器学习学什么？怎样学？
有关机器学习的三个问题和机器学习“知识栈”的三个层
你对机器学习的直观感受是什么？
也许许多人的回答两个字，科幻。东西是好东西，不过离自己还很遥远。
真是这样吗？
机器学习已经向我们生活的方方面面渗透，也许很快就有那么一天，机器学习就要和水电煤一样，成为我们生活中再离不了的第四种资源。
你说，上面这段话就跟心灵鸡汤一样，把人说得心里直痒痒，可真的想来品一口时才发现没给勺子。
那好，下面想要分享的正是如何开始学习机器学习。方式有点不同，开始之前，你首先需要做的是问自己三个问题：
为什么要先问三个问题？这是因为，机器学习背后有一套庞大的知识体系，内容繁多，而且和网络协议栈一样，也是分了层的，姑且就称之为机器学习的“知识栈”吧。这座知识栈共分成三个层。
当然，知识栈只是描绘了机器学习知识体系的大致结构，知识栈的每一层，还可以继续划分更多更细的子领域。机器学习的知识体系枝叶繁茂，而人的时间和精力则相对十分有限，正因如此，只有明确了第一个问题，才能回答第二个问题，才能最终决定第三个问题，也就是大家一开始最为关心的问题，机器学习应该怎么上手。
不过，这三个问题不好回答。
要回答这几个问题，你首先得对机器学习的三层知识栈有所了解，而你现在最大的问题，不正是对机器学习还缺乏比较全面的了解吗？
正如你第一次走进一座很大很大的游乐园，哪怕你已经听说了大家对这座游乐园评价都很高，你也不会马上就清楚自己首先应该去哪里游玩，甚至游乐园里都有些什么设施，要朝哪个方向走过去，你都很可能并不清楚。这应该是绝大多数第一次来玩的游客都面临的问题。
那么，有经验的游乐园会怎么解决这个问题呢？它会在大门入口处设置一块大地图，名叫游玩导览图，园区里有哪些游乐设施，又分布在哪个方向，甚至还会画上设施的样子，让你一目了然。这是个好办法。
那么，接下来本文会按照机器学习知识栈的三层结构，对机器学习的知识体系梳理出要点和联系。市面上名叫机器学习的各类书籍鱼龙混杂，本文会同时给出推荐的阅读书目供大家参考。
机器学习的知识栈是自底向上构建的。那么，我们先从知识栈的最底层，也就是数学基础层说起。
一提到数学，大家都苦不堪言。数学很重要，可以说没有数学，就没有计算机科学。可是，数学实在太难学了，这么多年都没学明白，而且刚一毕业，数学就全还给了老师。现在告诉我们学机器学习，先得学习数学，难道还得重修九年义务教育？
这确实是许多人对机器学习望而却步的主要原因之一。不过，要告诉大家一个好消息：机器学习里要学的数学，远比你想象的要少，要简单。
现代数学是一套不断膨胀的公理体系，哪怕是职业的数学家可能也说不清楚数学全貌。不过好在，如果将数学绘制成一张世界地图，那机器学习所要学习的数学知识，只不过是上面的一座小岛屿，主要涉及线性代数和概率统计两个方面。
先说线性代数。机器学习需要用到许多运算，而线性代数正是机器学习里的四则运算，可谓是构成了机器学习的骨架。不过，线性代数作为一条主要的数学分支，内容也很不少，好在机器学习只是使用其中的向量和矩阵运算，在这个部分，推荐《矩阵分析》：
这是一本经典的好书，写得很好，不过不用读完，建议仔细读懂什么是向量空间、什么是矩阵、矩阵的基本运算法则，以及正定矩阵和奇异值分解的相关章节，那么机器学习的“四则运算”我们就掌握清楚了。
接下来是概率统计。如果我们说线性代数是机器学习的“骨”，那概率统计应该就算是机器学习的“魂”了。这是因为有一派主流观点认为，机器学习就是个换了个皮的统计学，说机器学习的本质就是“拟合曲线”。
这里不做争论，不过机器学习大量使用概率统计的概念，确实是不争的事实。在这个部分，推荐《概率论基础教程》：
这本书的作者是Ross，Ross是统计学界的名家，出的教材都是经典。建议重点阅读《概率论基础教程》中关于概率、条件概率、贝叶斯概率公式、期望等概念相关介绍，以及了解各种概率分布，如什么是正态分布等。
机器学习数学方面的书现在越出越多，读书的跟不上出书的，所以推荐读经典，而上述的两本书都是数学领域的经典教材，读过一定有收获。
底层就这两样，接着该说算法原理层。
这是机器学习的核心层。机器学习大热，讲机器学习算法的书也多不胜数，不过，现在市面上的这类书，内容大致可以分为两类，一类是往下靠，也就是往数学基础层靠，更像是一本数学教材；另一类是往上靠，也就是往分域应用层上靠，写成了一本教编程的书。
虽然说机器学习毕竟是一门实践科学，除了学各种数学公式，最终还要写成代码运行才能真正解决问题，不过如果只懂调用算法API而不去了解内在原理，用得再多也只是手熟的调包侠。
能够兼顾数学和应用这上下两层，同时从初学者的角度出发，使用比较通俗直白的语言来撰写的书是更好的选择。这里推荐《机器学习算法的数学解析与Python实现》：
经过一天拼尽全力的工作，晚上回家还要克服刷视频的冲动，放下手机转为去读一本又有数学又有算法的艰涩的专业书，对很多人来说都非常难。
数学教材之所以难读，是因为数学太多抽象的概念，而让人更难坚持的是数学概念之间嵌套引用，要清楚明白一个数学概念，往往需要额外再学一大串数学概念，而其中往往又包含有嵌套引用，不知道哪里才是头，所以很容易给人一团乱麻、无从下手的感觉。
在《机器学习算法的数学解析与Python实现》这本书中，作者尝试改变这一现状，只对反复使用、必须了解的数学概念用最直白最“讲人话”的语言进行介绍，同时摒弃背后一大串错综复杂的概念，改为结合直观形象的例子进行说明。
本书在比较容易阅读的同时，也能比较完整地呈现一幅机器学习的全景图，成为连接机器学习知识栈最上层和最下层的“粘合剂”，帮助第一次接触机器学习的初学者，做到心里有数。
最后，我们介绍知识栈的最上层，也就是分域应用层。前面我们已经说过，机器学习是一门实践科学，最终需要编写代码才能运行。在这个方面，目前主流的做法是使用Python高级编程语言，调用Scikit-Learn库来实现。
Scikit-Learn是当前最为知名的Python机器学习算法库，提供了几乎所有的主流算法。在这方面，推荐《机器学习实战：基于Scikit-Learn和TensorFlow》：
这本书基本是业内公认介绍Scikit-Learn最为清楚的书，同时还介绍了另一款知名的深度学习框架TensorFlow。
和软件开发项目有生命周期一样，机器学习的项目也有生命周期，大致可以分为收集数据、清洗数据、分析数据、选择模型、训练模型和输出预测。也许很多初学者认为最费时间的是选择模型和训练模型。
其实，最花时间的反而是对数据的清洗和分析，往往是在生命周期中占了最大一部分。业界通常选择使用一款名叫Pandas的Python库完成这项工作，这方面的书推荐《利用Python进行数据分析（原书第2版）》：
这本书非常好，作者就是Pandas的作者本人，权威性无可挑剔。而且内容非常详实，由浅入深每一步都写得十分清楚，覆盖又全，特别适合新手阅读。
上面提到数据处理占据了机器学习生命周期的最大一部分，而另一大部分是调参，也就是为模型选择最合适的参数。调参是机器学习算法在应用方面的重点也是难点，很需要经验。
因此，现在业界的一大发展前沿，就是自动调参，在这方面推荐《深入理解AutoML和AutoDL 》，对这部分发展做了全面清楚的介绍：
说完机器学习，说另一大热门深度学习。目前深度学习有两套最热门的框架，一套是前面《机器学习实战》这本书介绍的Tensorflow，另一套叫Pytorch。
Tensorflow是Google出品，牌子老用户多，但普遍认为语法槽点很多，而由Facebook出品的Pytorch，因为“更有Python味”现在风头大热，颇有取而代替TensorFlow之势。这方面推荐《Python深度学习：基于PyTorch》：
Pytorch的书不少，不过由于Pytorch发展很快，早期0.X版本的很多语法已经不再适用，而这本书使用1.X版本的Pytorch，不会出现这一问题，而且结合了时下热门的深度学习应用场景，具有很好的实践参考作用。深度学习是借着图像处理声名鹊起的，这方面推荐《深度学习与图像识别：原理与实践》：
这本书对深度学习在图像识别方面的应用作了比较全面的介绍，不但介绍了热门模型，还逐一介绍了目前学术界在图像处理方面的热门研究方向，如GAN、图像识别和分割等。比较有意思的是，本书还介绍了KNN算法，算是对图像处理算法作了一个比较全面的回顾了。
最后，介绍一个经常上新闻、科幻感最强、同时也是了解的人最少、最有神秘感的机器学习分域应用：无人驾驶。这几年关于无人驾驶的讨论不少，但更热衷讨论的话题是无人驾驶衍生的社会问题和伦理问题，譬如电车难题，而对技术本身的讨论反而少的让人意外。
这也许是因为机器学习是交叉学科，而无人驾驶更是交叉学科的交叉学科，涉及机器人学、车辆工程等等复杂学科，领域性太强，一般人难窥究竟。这方面推荐《无人驾驶：原理和实践》：
无人驾驶涉及的学科方向比较杂，而这本书把ROS、点云匹配、图像识别、传感器等构成无人驾驶的几个重要方面都涵盖在内，相当于给无人驾驶做了一次全景式展示。
你的机器学习和数据科学入门可能没那么难，听听5个建议
