阿瑟•塞缪尔在1959年创造了 "机器学习 "一词，并将其定义为 "使计算机具有无需明确编程就能学习的能力的研究领域"。

 

这就是机器学习的开始! 在现代，机器学习是最受欢迎（如果不是最受欢迎的话！）的职业选择之一。根据一项调查，机器学习工程师是十年来最好的工作，预计将按年增长22%（2020-2030年间），美国的平均基本工资为12.2万美元，印度为8.5LPA的印度卢比每年。 

 

机器学习涉及到使用人工智能，使机器能够从经验中学习一项任务，而不需要专门就该任务进行编程。(简而言之，机器自动学习，不需要人类的帮助！！！）这个过程开始于向它们提供高质量的数据，然后通过使用数据和不同的算法建立各种机器学习模型来训练机器。算法的选择取决于我们有什么类型的数据，以及我们试图自动化的任务是什么类型。

 

 

随着我们在数字世界中不断前进，随着高速互联网的普及，每分钟都有大量的数据产生。这是开发自动化系统的主要因素，该系统可以通过准确使用不同的算法来处理复杂的数据集，从而在这样的门槛上处理数据。今天，各种规模的公司都在使用这种方法来处理成本管理，降低风险，也有助于提高其产品和服务的质量。这项技术今天已被许多行业广泛接受，很快它将成为我们生活的主要部分。(这已经开始了)

这是一个粗略的路线图，你可以在成为一个疯狂的天才机器学习工程师的道路上跟着路线图走。当然，你可以随时根据你的需要修改这些步骤，以达到你所期望的最终目标!

第1步 - 了解先决条件

如果你是一个天才，你可以直接开始机器学习，但通常情况下，你需要知道一些先决条件，包括线性代数，多元微积分，统计学和Python。如果你不知道这些，不要害怕！你不需要有博士学位。你不需要有这些课题的博士学位就可以开始，但你确实需要有基本的了解。

(a) 学习线性代数和多元微积分

线性代数和多元微积分在机器学习中都很重要。然而，你需要它们的程度取决于你作为一个数据科学家的角色。如果你更专注于重度应用的机器学习，那么你将不会那么专注于数学，因为有很多常用的库可以使用。但如果你想专注于机器学习的研发，那么掌握线性代数和多元微积分就非常重要，因为你将不得不从头开始实现许多机器学习算法。
 

(b) 学习统计学

 

数据在机器学习中起着巨大的作用。事实上，作为一名机器学习专家，你大约80%的时间将用于收集和清理数据。而统计学是一个处理数据的收集、分析和展示的领域。因此，你需要学习它，这并不奇怪！！！。统计学中一些重要的概念有：统计学意义、概率分布、假设检验、回归等。此外，贝叶斯思维也是机器学习的一个非常重要的部分，它涉及到各种概念，如条件概率、优先和后段，最大可能性等。

 

(c) 学习Python

 

有些人喜欢跳过线性代数、多元微积分和统计学，并通过试验和错误来学习它们。但是，有一件事你绝对不能跳过，那就是Python! 虽然有其他语言可以用于机器学习，如R、Scala等。Python是目前最流行的机器学习语言。事实上，有许多Python库对人工智能和机器学习特别有用，如Keras、TensorFlow、Scikit-learn等。因此，如果你想学习机器学习，最好是学习Python! 你可以使用各种在线资源和课程来做到这一点，例如GeeksforGeeks上免费提供的Fork Python。