作为一名数据科学家，我最常见的问题是：-
1.没有基础知识如何学习机器学习？
2. 我应该加入任何教授机器学习的机构吗？
3. 学习机器学习需要花费多少钱？
4. 机器学习中使用的数学是否太难？
在回答上述所有问题之前，让我先澄清一下什么是数据科学以及为什么它是未来？
互联网上有很多数据科学的定义，但在我看来，数据科学是一个可以在各种数据中发现见解和隐藏模式的领域。在数据科学的帮助下，我们作为人类可以扩展我们的知识，所以我认为数据科学是未来。例如，Google 创建了一个 AI 代理，名为 “AlphaGO”击败了世界上最好的围棋棋手，您可以在 https://deepmind.com/research/alphago/
现在已经理解了定义，是时候讨论上述问题的答案了，
那么让我们开始介绍我是如何学习 ML 的，在第一个月我学习了 ML 所需的数学。
在数学中，我们需要理解三件事，
1. 线性代数
2.微积分（积分、导数和偏导数）
3.概率与统计。
完成数学后，我通过以下方式学习了这些内容，
1.Python。
2. ML 所需的带有 Python 库的机器学习算法。
3. DL 所需的带有 Python 库的深度学习算法。
4. 解决了标准数据集的案例研究。
在步骤 2,3 和 4 中，我了解了 ML 数学的实际用途以及使用量。
在学习深度学习的过程中，我了解了学习方法，主要有两种方法
1. 自下而上的学习方法
2. 自上而下的学习方法
1. 自下而上的方法：-
在这种学习方法中，您首先将学习基本的构建块，然后通过将这些块拼凑在一起，您将学习复杂的概念。
2. 自上而下的方法：-
在这种学习方法中，您首先通过将基本块视为黑匣子来鸟瞰概念。这一步让我们概述了这个概念，然后我们更详细地了解黑匣子。简而言之，这种方法从大局开始，然后将大局分解成更小的部分。
现在你可以看出，在学习 ML 时，我首先学习数学，然后学习 ML 算法，因此我使用了自下而上的方法。但我建议你采用自上而下的方法，因为当我学习数学等基本模块时，我不知道为什么和在哪里。
为什么这些概念有用？
它们具体用在哪里？
我正在学习什么以及如何学习，但据我所知，这还不足以完全理解这个概念。那么，如果我没有机器学习的基础知识，如何学习机器学习呢？你应该执行以下步骤，
您还可以通过以下链接获得有关 Python、ML、DL 的实践经验：- https://www.kaggle.com/learn/overview
完成上述步骤后，现在学习阅读研究论文并尝试实施它们以更好地理解，还可以尝试参加黑客马拉松、kaggle 比赛来展示您的技能。
所以现在就开始学习机器学习吧……祝你好运！
