对初学机器学习的三点建议

人工智能与机器学习已经成为当今的热门话题，这对程序员的要求也越来越高。如果你接触过很多项目原型，可以帮助你掌握新的库类与方法，当然作为初学者也应该多掌握和积累一些库类的使用，以便更好地用在机器学习上。除了库类，算法是另一个重要的学习工具。尤其是对算法的数学理解。如何具体深入机器学习中去？答案是需要选择好自己的路径。怎样选择适合自己的路径呢？笔者有以下几点建议：

一、选择适合自己的语言工具

AI和机器学习需要强大的数据处理，所以Python和R在数据处理方面的优势就显现出来了。Python的类库比较丰富，同样也是面向对象的语言，而且编程的内容带有解释性，具有较好的可读性，容易理解和上手。同时Python对C类语言的粘合度比较好，如果有一定C/C++的基础，那么对Python的应用也会得心应手。R语言也是开源的，在统计分析上有广泛的应用，R语言的方便之处还在于它可以在Windows系统上运行。R语言和Python语言一样存在跨平台兼容问题，R语言虽然也有强大的计算能力，但Python在编程方面更适合写AI程序。

二、选择适合自己的开发平台

Linux有很多版本，但作为开发者，笔者建议使用英文原版，这样在日后添加组件的时候有一个统一的语言环境。同时，也不建议开虚拟机，这样在做大项目处理数据的时候容易卡顿和崩溃。尚学堂陈老师指出Linux不是万能的，但用作Python开发是比较合适的。所以笔者建议用Linux作为开发平台，这样在学习阶段。虽然Python不具备跨平台的特性，但Linux却可在很多种类的计算机硬件中植入，这就让Python开发的人工智能程序有了运行的基础。另外Unix支持R语言，但操作起来比较繁琐，不建议初学者学习。

三、具备相应的数学与编程基础

从事机器学习开发工作，大学的数学基础必不可少。微积分、线性代数、概率论与数理统计是必修课，如果你对神经网络有研究，在机器学习的过程中便可以把理论理解得更深。未来的AI和机器学习更多的情况下是面向大数据的，所以有牢固的统计学知识作为背景是非常理想的。永远不要忘记，编程本身就是在写算法，计算机科学终究是数学的一种分支。

作为计算机基础，C语言的功底月扎实，对Python掌握的速度也就越快，这也凸显了C语言在计算机专业的基础作用。

最后总结一段话

选择自己喜欢的工具或类库，深入研究它；机器学习是一种高级的编程，其核心依旧是算法；虽然最好的开发语言是Python、R，但并不限于这两种，如果选用其他语言，本质上只是算法的移植。