1、學(xué)習(xí)并掌握一些數(shù)學(xué)知識(shí)

高等數(shù)學(xué)是基礎(chǔ)中的基礎(chǔ)，一切理工科都需要這個(gè)打底，數(shù)據(jù)挖掘、人工智能、模式識(shí)別此類跟數(shù)據(jù)打交道的又尤其需要多元微積分運(yùn)算基礎(chǔ)線性代數(shù)很重要，一般來(lái)說(shuō)線性模型是你最先要考慮的模型，加上很可能要處理多維數(shù)據(jù)，你需要用線性代數(shù)來(lái)簡(jiǎn)潔清晰的描述問題，為分析求解奠定基礎(chǔ)概率論、數(shù)理統(tǒng)計(jì)、隨機(jī)過程更是少不了，涉及數(shù)據(jù)的問題，不確定性幾乎是不可避免的，引入隨機(jī)變量順理成章，相關(guān)理論、方法、模型非常豐富。

很多機(jī)器學(xué)習(xí)的算法都是建立在概率論和統(tǒng)計(jì)學(xué)的基礎(chǔ)上的，比如貝葉斯分類器、高斯隱馬爾可夫鏈。

再就是優(yōu)化理論與算法，除非你的問題是像二元一次方程求根那樣有現(xiàn)成的公式，否則你將不得不面對(duì)各種看起來(lái)無(wú)解但是要解的問題，優(yōu)化將是你的GPS為你指路有以上這些知識(shí)打底，就可以開拔了，針對(duì)具體應(yīng)用再補(bǔ)充相關(guān)的知識(shí)與理論，比如說(shuō)一些我覺得有幫助的是數(shù)值計(jì)算、圖論、拓?fù)?，更理論一點(diǎn)的還有實(shí)/復(fù)分析、測(cè)度論，偏工程類一點(diǎn)的還有信號(hào)處理、數(shù)據(jù)結(jié)構(gòu)。

2、掌握經(jīng)典機(jī)器學(xué)習(xí)理論和算法

如果有時(shí)間可以為自己建立一個(gè)機(jī)器學(xué)習(xí)的知識(shí)圖譜，并爭(zhēng)取掌握每一個(gè)經(jīng)典的機(jī)器學(xué)習(xí)理論和算法，我簡(jiǎn)單地總結(jié)如下：

1) 回歸算法：常見的回歸算法包括最小二乘法（OrdinaryLeast square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應(yīng)回歸樣條（MultivariateAdaptive Regression Splines）以及本地散點(diǎn)平滑估計(jì)（Locally Estimated Scatterplot Smoothing）；

2) 基于實(shí)例的算法：常見的算法包括 k-Nearest Neighbor(KNN), 學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ），以及自組織映射算法（Self-Organizing Map ， SOM）；

3) 基于正則化方法：常見的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網(wǎng)絡(luò)（Elastic Net）；

4) 決策樹學(xué)習(xí)：常見的算法包括：分類及回歸樹（ClassificationAnd Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機(jī)森林（Random Forest）， 多元自適應(yīng)回歸樣條（MARS）以及梯度推進(jìn)機(jī)（Gradient Boosting Machine， GBM）；

5) 基于貝葉斯方法：常見算法包括：樸素貝葉斯算法，平均單依賴估計(jì)（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；

6) 基于核的算法：常見的算法包括支持向量機(jī)（SupportVector Machine， SVM）， 徑向基函數(shù)（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等；

7) 聚類算法：常見的聚類算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）；

8) 基于關(guān)聯(lián)規(guī)則學(xué)習(xí)：常見算法包括 Apriori算法和Eclat算法等；

9) 人工神經(jīng)網(wǎng)絡(luò)：重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（PerceptronNeural Network）, 反向傳遞（Back Propagation）， Hopfield網(wǎng)絡(luò)，自組織映射（Self-OrganizingMap, SOM）。學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ）；

10) 深度學(xué)習(xí)：常見的深度學(xué)習(xí)算法包括：受限波爾茲曼機(jī)（RestrictedBoltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network）, 堆棧式自動(dòng)編碼器（Stacked Auto-encoders）；

11) 降低維度的算法：常見的算法包括主成份分析（PrincipleComponent Analysis， PCA），偏最小二乘回歸（Partial Least square Regression，PLS）， Sammon映射，多維尺度（Multi-Dimensional Scaling, MDS）, 投影追蹤（ProjectionPursuit）等；

12)集成算法：常見的算法包括：Boosting， Bootstrapped Aggregation（Bagging），AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進(jìn)機(jī)（GradientBoosting Machine, GBM），隨機(jī)森林（Random Forest）

3、掌握一種編程工具，比如Python

一方面Python是腳本語(yǔ)言，簡(jiǎn)便，拿個(gè)記事本就能寫，寫完拿控制臺(tái)就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab雖然包也多，但是效率是這四個(gè)里面最低的。

4、了解行業(yè)最新動(dòng)態(tài)和研究成果，比如各大牛的經(jīng)典論文、博客、讀書筆記、微博微信等媒體資訊。

5、買一個(gè)GPU，找一個(gè)開源框架，自己多動(dòng)手訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，多動(dòng)手寫寫代碼，多做一些與人工智能相關(guān)的項(xiàng)目。

6、選擇自己感興趣或者工作相關(guān)的一個(gè)領(lǐng)域深入下去

人工智能有很多方向，比如NLP、語(yǔ)音識(shí)別、計(jì)算機(jī)視覺等等，生命有限，必須得選一個(gè)方向深入的專研下去，這樣才能成為人工智能領(lǐng)域的大牛，有所成就。

————————————————
版權(quán)聲明：本文為CSDN博主「isuccess88」的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/isuccess88/article/details/54588131

原文來(lái)自于網(wǎng)絡(luò)，版權(quán)歸原作者所有，如有侵權(quán)，可聯(lián)系刪除。