机器学习想做深、做专、做出品味来，需要对编程、算法、数学和计算机分布式技术等领域有一定的掌握。故此路和以往的技术升级相比，门槛提高了许多。编程，精通不是必要条件，但一定要熟练应用一门语言，非专业人士也可以学习;数学，需要掌握概率论、线性代数和微积分等基本理论;计算机分布式技术，可选项，不是必需的。
另外还有一个就是统计，统计和大数据的源头都是对数据的分析，因为统计是一门有很深理论基础的学问，所以了解统计的知识，对增强数据的分析能力是有帮助的，而且也能避免掉到坑里。不是入门的必选，但是迈向高级阶段的必修课。
本人也是一名在这条路上摸索的程序猿，有幸的是目前的工作内容也在相同方向上，可以多些时间和精力的投入。写此教程，一是学习的总结，为自己设定一个可以衡量的目标，自我监督;二是结交同道的伙伴们，共同成长。
本系列文章的核心思想只有一个：
以动手实战带动理论的学习
本教程的开发，将遵从敏捷实践，一开始可能会有很多不准确、不严谨的地方，希望大家多批评指正，不断完善。
程序猿学习新技术，第一个问题就是用什么语言?考察过R语言、Java和Python，最终选择了Python。作为程序猿，出生于统计学的R一来就被毙了，Python和Java相比，区别是很明显的，在入门学习这块，Python是学习资料和工具最多的。所以从学习的角度讲，先用python吧。以后实际工作和产品研发再用Java也不迟，没有太大影响的。一旦掌握了算法和思路，语言只是工具而已。
机器学习的资料，知乎上有很多，还可以百度一下。各种文章多得就像娱乐版的明星新闻一样。这里就只说下我现在学习过的资料，仅供参考：
书：《机器学习实战》(https://book.douban.com/subject/24703171/)，尽管有说代码写得不好，数学理论介绍不够详尽的差评，但是完全满足实战的需求。
此书特点：各主流算法只介绍了基础原理部分，虽然数学部分论述简略，但是我们可以通过相应的知识点去知乎、百度或Google上补充。某些大而全的书，虽然都讲了，但似乎又什么都没讲;另外，就是大量基于Python的练习题，并且附有参考代码哦~。
视频：看过最火爆的Andrew Ng的视频，看了几次课就没看了。主要是自己需要的是一个有快速反馈(动手练习)的学习过程，所以只有等以后再继续“拜看”了。上了“小象”的2017年1月的机器学习课程，避免广告不多讨论。“书非买不能读”呀~，花了钱的才能逼着自己前进。
数学：又把大学的教材买了一套回来，有概率论、线性代数和高等数学。需要的同学可以到“闲鱼”二手货上面看看。主要作为参考用书，看到不懂的公式复习一下。有空的同学呢，最好还是再完整温习一遍。
接下来的部分是Python有关机器学习的工具和数学库的介绍，大家可以先准备下学习环境：
1. Anaconda，https://www.continuum.io/anaconda-overview。这是一个集成了python运行环境、机器学习所需的依赖库和代码编辑器的安装程序。对于快速搭建学习环境，安装这一个就够了。Python选择安装2.7版本的，因为网上大量的示例和代码都是基于2.7的。
2. Python语言学习，网上2.7的教程很多，重点了解下语法、方法和数据结构，其它的内容都可以等到以后用到的时候再学习。
好了，准备工作就这些，今日练习：
- 下载并安装Anaconda，熟悉使用ipython交互环境
- Python语言基础入门自学
【本文为51CTO专栏作者“吴思楠”的原创稿件，转载请通过51CTO联系作者获取授权】
