需要多说一句的是，在互联网领域从事机器学习的人，有2类背景的人比较多，其中一部分(很大一部分)是程序员出身，这类同学工程经验相对会多一些，另一部分是学数学统计领域的同学，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：

　　3.1 数学基础

　　有无数激情满满大步向前，誓要在机器学习领域有一番作为的同学，在看到公式的一刻突然就觉得自己狗带了。是啊，机器学习之所以相对于其开奖直播开发工作，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，这需要本港台直播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。至于更高深的部分，恩，博主非常愿意承认自己是『数学渣』。

　　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。下面本港台直播们先过一过知识重点，文章的后部分会介绍一些帮助学习和巩固这些知识的资料。

　　3.1.1 微积分

　　微分的计算及其几何、物理含义，是机器学习中大多数算法的求解过程的核心。比如算法中运用到梯度下降法、牛顿法等。如果对其几何意义有充分的理解，就能理解“梯度下降是用平面来逼近局部，牛顿法是用曲面逼近局部”，能够更好地理解运用这样的方法。

　　凸优化和条件最优化 的相关知识在算法中的应用随处可见，如果能有系统的学习将使得你对算法的认识达到一个新高度。

　　3.1.2 线性代数

　　大多数机器学习的算法要应用起来，依赖于高效的计算，这种场景下，程序员GG们习惯的多层for循环通常就行不通了，而大多数的循环操作可转化成矩阵之间的乘法运算，这就和线性代数有莫大的关系了

　　向量的内积运算更是随处可见。

　　矩阵乘法与分解在机器学习的主成分分析（PCA）和奇异值分解（SVD） 等部分呈现刷屏状地出现。

　　3.1.3 概率与统计

　　从广义来说，机器学习在做的很多事情，和统计层面数据分析和发掘隐藏的模式，是非常类似的。

　　极大似然思想、贝叶斯模型 是理论基础，朴素贝叶斯(Na?ve Bayes )、语言模型(N-gram)、隐马尔科夫（HMM）、隐变量混合概率模型是开奖直播们的高级形态。

　　常见分布如高斯分布是混合高斯模型(GMM)等的基础。

　　3.2 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：

　　处理分类问题的常用算法包括：逻辑回归(工业界最常用)，支持向量机，随机森林，朴素贝叶斯(NLP中常用)，深度神经网络(视频、图片、语音等多媒体数据中使用)。

　　处理回归问题的常用算法包括：线性回归，普通最小二乘回归（Ordinary Least Squares Regression），逐步回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）

　　处理聚类问题的常用算法包括：K均值（K-means），基于密度聚类，LDA等等。

　　降维的常用算法包括：主成分分析（PCA）,奇异值分解（SVD） 等。

　　推荐系统的常用算法：协同过滤算法

　　模型融合(model ensemble)和提升(boosting)的算法包括：bagging，adaboost，GBDT，GBRT

　　其开奖直播很重要的算法包括：EM算法等等。

　　本港台直播们多插一句，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。

　　3.3 编程语言、工具和环境