机器学习（01-02）
模型推理学习的重要性：具备理论基础和数学层面的建模能力，才能真正地解决实际问题，才能提升核心竞争力。
真正从理论核心理解机器学习、人工智能，而不是盲目跟风觉得应该去学习这一时代潮流。
提到追本溯源，真正地了解机器学习的经典模型，完备传统统计学习模型和方法，才能知道机器是怎样通过学习事物的特征来掌握其规律，然后以及机器学习的思维反生人类的思维方式，从最简单的线性回归到一步步深入的更复杂模型，也是机器思维的不断优化。
从机器学习的原理与公式推导，到日常思考，相信这种思维会为我们打开一些新的行业思路，让我们从新的角度看待世界，并为日常的思考过程提供更加可量化的方法。
如何开始进入“机器学习”（03）
模型驱动，从本质出发
机器学习的经典模型，我们都知道，比如：线性回归、逻辑回归、决策树、支持向量机、条件随机场、K均值等。
机器学习的实现，常常是从经验的事实中去不断学习、发现规律，加以新的事物，从而根据相应的模型实现预测未来的结果。模型即成为了重要的载体，灵活运用已有的模型、创建具体问题针对的模型，才有可能真正实现解决实际的问题。
Step by Step. 学习熟悉模型，是一个循环往复的螺旋式推进过程，从最简单的线性回归开始，做到：能够从模型函数开始推导出目标函数，再用梯度下降算法求解，用（伪）代码实现梯度下降求解过程。第一遍学习掌握一个模型；第二遍学习就不难掌握2-3个模型；第三遍就有可能掌握本课列出的大部分模型………如此由易到难，螺旋式推进。
学习的初级阶段：
坐标系、函数、矩阵、向量、求导、微积分、矩阵运算等基础
初级阶段读懂模型推导的关键：针对哪些变量进行了哪些运算；各变量的物理意义及运算的目的及意义；模型一个式子的来源及其真实物理意义场景；推导结果的特征。首先学会套用现称成模型，才更有可能去灵活运用。
重要的是：力求理解每一步推导过程
Python-实现模型（04）
编程是学习模型的必备实现方式，也是为了学会原理，实践才能检验对模型的掌握、运用。
掌握模型tips：训练模型、测试数据、编写算法。
粘合剂语言——Python：语言简单直观，表达方式一致，可处理大量非结构化的数据
Python库：Python 在机器学习、深度学习领域拥有了各种语言中堪称最强的公共 AI 支持库。NumPy 和sklearn（scikit-learn）
怎么学Python
命令行运行：写出第一条python代码！
实战第一个机器学习程序：
网友评论