这一个月，从对机器学习充满好奇与畏惧，到对各种算法稍有理解以及围绕推荐场景的编码实践，算是对机器学习有了一个入门的体验。但是中间也踩过不少坑，比如啃过线性代数的教材、看过无聊的机器学习课程、追过高端的机器学习书籍、陷入一个算法无法自拔（最后也没整明白）...其实，学习机器学习没有那么难，也很容易走偏。谨以此文，作为ML入门小白的一个小小的参考...
本篇虽不是这一个月的流水账，但是基本按照下面的思路对着一个月做了一次总结：
- 什么是机器学习？
- 机器学习都有什么算法？
- 个人对机器学习的三种境界理解
- 推荐的学习路线
- 推荐资源
希望读者有所收获，另外，如果文中有任何理解上的错误，还望指正！
什么是机器学习？
之前在没有具体接触到机器学习前，我大概对他有一个概念上的认识，觉得是一种很高级的算法，能让机器学会很多的事情，就像...《我的机器人女友》里那样！
或者是《机械公敌》里的智能机器人？...
但是，这些其实都是对机器学习的一种误解。机器学习并不是让机器像人一样会学习，而是通过一种固定的编程模式，对数据进行处理。按照百度的定义，它是这样的：
专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
其实机器学习就是通过一些前人总结的数据公式，帮我们简化了很多手工操作很麻烦甚至无法操作的事情。就举个身边很常见的例子，当你在淘宝搜索了某个宝贝后，之后的商品页面会为你推荐跟这个搜索相关的商品；再比汽车在经过司机的一段驾驶后，汽车自己能基于道路状况自动调整方向盘以及车速，实现无人驾驶；再如，家里的热水器会记录你使用热水的时间，提前一段时间烧水，而在其他时间不加热，以节省水电。这些都是机器学习，都是身边已经出现或者即将出现的场景，所以，机器学习其实就在我们身边。
机器学习都有哪些算法？
在机器学习中，算法可以按照多种维度进行分类，比如监督学习、无监督学习、强化学习等...让人看着就眼晕。
记得有一篇文章总结的就非常易懂，他认为机器学习其实可以分成三类，分类、回归、聚类。
- 分类听着名字就很容易理解了，比如给你一筐水果，水果里面有苹果、香蕉，需要把它们分成两类。
- 回归来源于单词regression，它可以理解成是一种预测，比如线性回归，他可以根据样本数据学习出一个线性的公式，比如y=ax，当你给定一个x的值时，可以推算出对应的y值。当然具体的场景中，就不是简单的一维了...
- 聚类，跟前面的分类有些不同，比如一筐水果，你都不知道里面装的是什么，需要通过味道、颜色、形状、大小等多个属性，把它们进行归类。
结合到算法里面：
- 分类相关的算法有：K-近邻算法、决策树、朴素贝叶斯、逻辑回归、支持向量机等
- 回归相关的算法有：线性回归、树回归等
- 聚类相关的算法有：K-均值算法、Apriori等
如果看过一遍《机器学习实战》，应该就会对上述的算法有一定的了解。不需要到公式推导级别，先能了解他们的用法即可，比如：
K-近邻就是已知几个分类，判断新的节点属于哪个分类时，只需要看距离它一定范围内，哪个分类的数据多。有点像近朱者赤近墨者黑的意思。决策树就是通过一大堆的问题，判断属于哪个分类。比如，相亲的时候，会问“你是做什么的？”“有没有房？”“有没有车？”——最后判断，是否继续交往。朴素贝叶斯看着名字高大上，其实就是根据概率选择，属于哪个分类的概率大，就归属这个分类逻辑回归它是把线性回归的结果映射到01区间线性回归可以简单的理解成y=ax，但是其实在多维空间比这个复杂得多K-均值就是一大堆散落的点，随机几个中心，这些点按照距离选择他们最近的中心组成一个类别Apriori只要说一个啤酒与尿布，大家就应该明白了。
这么多算法其实只是机器学习中的一部分....
机器学习的应用场景
机器学习的应用还是很广泛的，比如无人驾驶、机器人等等高大上的东西，以及咱们身边的拼车算法、电商的个性化推荐、婚恋网站的快速配偶等等。只要是涉及到数据之间的关系，都可以使用机器学习来达到很好的效果。
个人理解的机器学习的三种境界
这三种境界纯粹是个人的胡乱设定，仅仅是为了给自己的学习定下一个目标！
第一层 了解算法的过程和作用
这种一般是那些自学机器学习的朋友，在看过几本机器学习相关的书籍后，对所有的算法都有一点了解。能跟别讨论一些机器学习的算法和用途，并且能理解相关技术分享大致过程。
第二层 能把算法运用到实践中
这一层可以认为是对某个机器学习的库比较熟悉，能真正的利用机器学习来解决一些问题。比如可以使用Spark MLLib中的某个算法解决实际的问题，如基于物品或者用户的协同过滤算法。这就好像是使用现代的机械工具盖房子，而不是像过去纯人工搬石头垒长城，效率和产出上都要好的多。
第三层 对算法的推导融会贯通
这种可以说是集数学与计算机功底于一身，是倚天剑与屠龙刀的合体。对数学公式推导了如指掌，各种模型的优化也深谙其道。其实机器学习使用某个库出一个简单的效果很简单，但是想要对算法模型进行优化却很难，大多时候都是盯着算法结果，目瞪口呆，不知道下一步该怎么办。如果对算法了解的很深，对实际的业务又很熟悉，那么就能结合两点对算法模型进行优化，改进机器学习的结果。
个人学习机器学习的路线规划
经过不到一个月的学习，对机器学习也算是初步有了一定的了解，最起码知道机器学习能干什么了，所以现在还在处于上面的第一个境界....
这期间也走了不少的弯路，浪费了不少的时间。所以在这里总结一下，也给大家当做一个参考：
- 1 最快的入门方式，就是先百度、必应一下，了解下机器学习的概念。
- 2 推荐阅读《机器学习实战》了解下机器学习相关的算法。我之前也看过机械工业出版社的《机器学习》、也看过点周志华老师的《机器学习》，前一本概念太多，后一本公式也挺多。《机器学习实战》相对来说要好得多，先介绍点理论背景，在基于python介绍下算法的实现以及一两个案例。
- 3 很多人都觉得机器学习需要很好的数学功底，于是学习机器学习前，先捧着高数、线代、概率论看，结果看了两天，觉得枯燥无味，就打算放弃。其实没必要的，结合上面的《机器学习实战》，遇到什么公式，进行相应的复习就行了，这也是为什么把数学放在第三个步骤。其实机器学习里面能理解高数的求导、线代的矩阵以及向量、概率的期望方差等就差不多了，其他有需要的话针对学习就行。
- 4 学习机器学习肯定是要看吴恩达老师的公开课了，公开课的地址，我刚看了两集，感觉还是非常不错的。
- 5 学习Spark MLLib相关的算法实现，如果有时间的话，可以看看源码。
通过上面的学习，暂时可以到达第二个层次了。我想一般搞计算机的，应该很少有能对各种算法推导融会贯通的。所以第三种境界，就留给其他人吧....
推荐资源
1 《机器学习实战》
- 推荐指数：★★★★★
- 推荐理由： 理论、算法都有，比较好懂
- 推荐指数：★★★★☆
- 推荐理由：权威大拿带你飞，还有什么理由不上车？
3 《推荐系统实践》
- 推荐指数：★★★☆☆
- 推荐理由：如果是想做个性化推荐，那么必须要看看这本书！
4 Spark MLLib官方文档以及example代码样例
- 推荐指数：★★☆☆☆
- 推荐理由：官方文档大体上知道有什么内容就行，主要是推荐看看example里面提供的代码，能帮助少走不少弯路。