萬事開頭難！如何係統的開始機器學習？

隨著越來越多的企業探索機器學習，對技能的需求也在不斷上升。穀歌，微軟，IBM和AWS隻是一些在機器學習，創建API和開發一些複雜的深度學習框架的領先者。隨著新領域的技術被開發並成為主流，對相關IT從業者職位的的需求開始上升。那麼該如何開始機器學習？

在1959年由IBM的計算機科學家Arthur Samuel首先提出，“機器學習”基本上使計算機不需要直接編程即可學習。

機器學習（ML）基本上是我們今天認識到的AI的應用，例如執行“聰明”任務的機器。它經常與人工智能（AI）混淆，ML有點不同。 AI是連接和“智能”機器的總稱，以及它們執行的任務。

所以，盡管ML是機器在沒有命令的情況下執行任務的科學，但是AI指的是能夠進行智能行為的機器。

成為機器學習從業者或工程師的道路並不容易。你將不得不有一個良好的技術知識基礎和分析/數學的匹配。

首先，你應該提高你的數學技能。機器學習本質上是應用統計學和數學。掌握應用數學和統計學工作是非常重要的，因為這將幫助你更容易地選擇算法序列。進入圖書館閱讀統計和概率模型，甚至可以查看二次規劃和偏微分方程，因為所有這些將在後續需要創建自學習算法時幫助到你。

你也應該有一個數據庫，來統計編程語言的知識。Python和R編程語言都是很好的選擇，因為它們能夠處理大型數據集和統計信息。其中，Python非常易讀易學，但是R提供了一個更完整的統計語言。現在從數據科學的角度，Python或R，以及C++具有腳本功能和加速代碼的能力。

在機器學習中，你需要修改和修改數據集的結構，你很可能會使用Hadoop HBase來存儲，所以學習Java將是有利的（Hadoop建立在Java上）。

理想情況下，你就會有一個學位或深入計算機科學，計算機與結構的紮實的知識的學問，如棧，隊列和多維數組，以及數據建模結構。

最後，需要有使用Unix工具的一些經驗。鑒於大多數機器學習處理主要在基於Linux的機器上運行，所以Unix知識是關鍵。

盡管機器學習在某些方麵對大多數企業來說是急需掌握的，但采用仍然需要注意，而且絕對不是標準。

金融部門已經看到了ML的特殊應用，銀行為算法技術找到了許多用途。例如，銀行可以通過巨額交易數據集使用ML來打擊欺詐行為，以發現異常行為。事實上，金融領域的無數事情可能會依賴ML，從信用卡應用程序和算法培訓到AI管理的基金和聊天機器人。

但它並不止於此。醫療保健可以從ML中獲益很多。機器將能夠發現和追蹤危及生命的疾病，就像在金融服務的文件中發現異常一樣。

交通運輸也將看到機器學習的影響，並在一定程度上已經有了。在鐵路軌道傳感器和傳感器中可以看到其中的例子，以監測路麵損耗帶來的風險可能。