万事开头难！如何系统的开始机器学习？

随着越来越多的企业探索机器学习，对技能的需求也在不断上升。谷歌，微软，IBM和AWS只是一些在机器学习，创建API和开发一些复杂的深度学习框架的领先者。随着新领域的技术被开发并成为主流，对相关IT从业者职位的的需求开始上升。那么该如何开始机器学习？

在1959年由IBM的计算机科学家Arthur Samuel首先提出，“机器学习”基本上使计算机不需要直接编程即可学习。

机器学习（ML）基本上是我们今天认识到的AI的应用，例如执行“聪明”任务的机器。它经常与人工智能（AI）混淆，ML有点不同。 AI是连接和“智能”机器的总称，以及它们执行的任务。

所以，尽管ML是机器在没有命令的情况下执行任务的科学，但是AI指的是能够进行智能行为的机器。

成为机器学习从业者或工程师的道路并不容易。你将不得不有一个良好的技术知识基础和分析/数学的匹配。

首先，你应该提高你的数学技能。机器学习本质上是应用统计学和数学。掌握应用数学和统计学工作是非常重要的，因为这将帮助你更容易地选择算法序列。进入图书馆阅读统计和概率模型，甚至可以查看二次规划和偏微分方程，因为所有这些将在后续需要创建自学习算法时帮助到你。

你也应该有一个数据库，来统计编程语言的知识。Python和R编程语言都是很好的选择，因为它们能够处理大型数据集和统计信息。其中，Python非常易读易学，但是R提供了一个更完整的统计语言。现在从数据科学的角度，Python或R，以及C++具有脚本功能和加速代码的能力。

在机器学习中，你需要修改和修改数据集的结构，你很可能会使用Hadoop HBase来存储，所以学习Java将是有利的（Hadoop建立在Java上）。

理想情况下，你就会有一个学位或深入计算机科学，计算机与结构的扎实的知识的学问，如栈，队列和多维数组，以及数据建模结构。

最后，需要有使用Unix工具的一些经验。鉴于大多数机器学习处理主要在基于Linux的机器上运行，所以Unix知识是关键。

尽管机器学习在某些方面对大多数企业来说是急需掌握的，但采用仍然需要注意，而且绝对不是标准。

金融部门已经看到了ML的特殊应用，银行为算法技术找到了许多用途。例如，银行可以通过巨额交易数据集使用ML来打击欺诈行为，以发现异常行为。事实上，金融领域的无数事情可能会依赖ML，从信用卡应用程序和算法培训到AI管理的基金和聊天机器人。

但它并不止于此。医疗保健可以从ML中获益很多。机器将能够发现和追踪危及生命的疾病，就像在金融服务的文件中发现异常一样。

交通运输也将看到机器学习的影响，并在一定程度上已经有了。在铁路轨道传感器和传感器中可以看到其中的例子，以监测路面损耗带来的风险可能。