当谈到机器学习时，互联网上有大量的内容。有时它确实很有用，但有时很难通过考虑每个因素来创建正确的路径。在本博客中，首先我们将了解机器学习与传统编程有何不同，然后我们将更深入地研究 学习过程 机器学习。所以，拿起你的咖啡杯，然后走吧..!!
机器学习与传统编程有何不同？
不拐弯抹角，让我给你这个有趣的答案。在传统编程中，我们有输入和输出，并且必须手动开发规则来满足每个条件（包括极端情况）。
在机器学习中，我们有输入和输出，并且我们借助机器学习算法提取一组规则。非常准确地说，这些规则统称为模型。
希望现在我们清楚这个事实。继续前进，让我们将学习这项令人惊叹的技术的整个过程分成几个步骤......
步骤 1) 从编程语言开始 (1个月）
开始学习机器学习的第一步是选择一门编程语言。市场上有不同的编程语言，但最适合机器学习的是Python和R。为此我推荐Python。为什么 ？因为这很容易？开源？在机器学习方面有一个很棒的社区吗？答案是肯定的。如果您是非编码人员，那么此步骤将需要 1-2 个月才能完成，否则只需几周的培训就足够了。你可以从这里学习Python
步骤 2) 学习线性代数 (2周）
如您所知，机器学习只不过是计算机科学中数学函数的实现。因此，要在算法和模型上获得更大的灵活性，您需要知道它们如何工作以及微调它们的正确步骤是什么。为了实现这一点，您需要学习线性代数。你不必精通于此，但应该了解数学知识。这是一个有趣的资源来学习这一点。
步骤 3) 学习统计和概率 (2周）
要掌握机器学习，我们还需要了解统计学和概率。您肯定会用它来理解机器学习算法的处理。来源。
提示：- 您可以同时开始学习线性代数、统计和概率。这只是基础数学。
第 4 步）学习核心 ML 概念 （1周）
在此步骤中，您将作为 kickstarter 学习基本的机器学习概念。例如监督学习与无监督学习、强化学习、梯度下降、模型评估、优化等。来源
步骤 5) 学习 Numpy、Pandas、Sklearn、Matplotlib (1个月）
这些是机器学习工程师应该拥有的一些附件库。书
步骤 6) 学习核心 ML 算法 (1-2个月）
学习基本的机器学习算法以掌握 ML。喜欢 线性和多项式回归、支持向量机、决策树、随机森林、K 最近邻、朴素贝叶斯、K 均值聚类、层次聚类、基于关联规则的学习、上置信区间算法、汤普森采样算法 而这样的例子不胜枚举。书
步骤7）地面练习（1个月）
到目前为止，您已经掌握了机器学习的所有基本概念以及重要算法。剩下的东西到时候就可以学会了。现在是时候将您的知识应用于一些传统的机器学习问题了。 Kaggle 是最好的地方。
步骤 8) 学习部署 (2周）
当谈到 ML 模型的部署时，每个人都会谈论通过 Flask 或 Django API 进行支持。它有效，但为了更好地理解部署，请了解有关 ML 生命周期的更多信息。导出模型不应该是我们的唯一目标，提取性能信息以及模型对现实世界数据的分析也应该是我们的目标。几个重要的工具是 TensorFlow Serving 和 AWS Sagemaker
这就是本博客的内容。在评论部分寻找您的疑问和反馈，直到那时......享受机器学习。
