机器学习

机器学习需要解决的问题是，如何利用计算机从数据中学习，以便对未知数据做出预测。机器学习的分类有许多种，这些模型在特定的场景下表现良好，但是没有一种模型能够解决所有的问题。因此，作为初学者，机器学习的核心问题是如何调试并选择合适的模型。

关于机器学习的分类可以参考wiki百科机器学习的分类，在这里可以了解不同模型的大致运作原理。机器学习是一门正在蓬勃发展的学科，因此存在非常强烈的时效性，我推荐的学习方法是，先学习机器学习的基础模型，再根据自己从业的领域专研对应的模型。

数据科学入门

这个部分会介绍一些数据科学的基础知识，包括数据的获取、数据的处理、数据的可视化等。是机器学习的基础，也是数据分析的基础。推荐学习的模块有matplotlib、pandas、numpy等，这部分内容由于并不要求深度掌握，因此教程上跟随官方文档即可。

传统机器学习

市面上机器学习的教程非常多，但大都不够全面、碎片化的同时不易复现、迭代缓慢。

在这里我推荐的教程是Sklearn的官方文档，它是一个开源的机器学习库，提供了大量的机器学习模型，同时提供了大量的教程和实例，可以帮助你快速上手机器学习。

神经网络

神经网络的学习通常是Pytorch或者tensorflow，这两个框架都是非常优秀的框架，作为一个专业学习神经网络的人员来说，学习曲线陡峭并不是一个问题，何况我们已经有了Sklearn作为基础。二者对比文章不计其数，我的选择是推荐tensorflow。

tensorflow的官网教程可称得上是模范教程第一梯队，它的教程从基础到高级都有涉及，而且每个教程都有对应的代码，可以直接运行。网址是https://www.tensorflow.org/tutorials