一、統計建模和機器學習的區別之

統計建模的基本目標是回答這樣一個問題：“哪一個概率模型能夠生成我觀察到的數據？”可以這樣做：

二、對人工智能很感興趣，打算學習，請問需要什么數學基礎

專家系統比較熱門，有高等數學知識就可以。

三、如何更好地學習機器學習

如何更好地掌握機器學習

Colorado是伯克利大學的在讀博士，同時也是Metacademy的創始人。Metacademy是一個優秀的開源平臺，許多專業人員共同在這個平臺上編寫wiki文章。目前，這些文章主要圍繞著機器學習和人工智能這兩個主題。

在Colorado的建議中，更好地學習機器學習的方法就是不斷的通過書本學習。他認為讀書的目的就是讓心中有書。

一個博士在讀生給出這樣的建議并不令人驚訝，以前本站可能還推薦過類似的建議。這個建議還可以，但我不認為適用每個人。如果你是個開發者，想實現機器學習的算法。下面列出的書籍是一個很好的參考，可以從中逐步學習。

機器學習路線圖

他的關于機器學習的路線圖分為5個級別，每個級別都對應一本書必須要掌握的書。這5個級別如下：

Level 0（新手）：閱讀《Data Smart: Using Data Science to Transform Information into Insight》。需要了解電子表格、和一些算法的高級數據流。

Level 1（學徒）：閱讀《Machine Learning with R》。學習在不同的情況下用R語言應用不同的機器學習算法。需要一點點基本的編程、線性代數、微積分和概率論知識。

Level 2（熟練工）：閱讀《Pattern Recognition and Machine Learning》。從數學角度理解機器學習算法的工作原理。理解并調試機器學習方法的輸出結果，同時對機器學習的概念有更深的了解。需要有算法、較好的線性代數、一些向量積分、一些算法實現經驗。

Level 3（大師）：閱讀《Probabilistic Graphical Models: Principles and Techniques》。深入了解一些高級主題，如凸優化、組合優化、概率論、微分幾何，及其他數學知識。深入了解概率圖模型，了解何時應該使用以及如何解釋其輸出結果。

Leval 4（宗師）：隨便去學吧，記得反饋社區。

Colorado針對每個級別中列出的書中章節閱讀建議，并給出了建議去了解的相關頂級項目。

Colorado后來重新發布了一篇博客，其中對這個路線圖做了一點修改。他移除了最后一個級別，并如下定義了新的級別：好奇者、新手、學徒、熟練工、大師。他說道，Level 0中的機器學習好奇者不應該閱讀相關書籍，而是瀏覽觀看與機器學習有關的頂級視頻。

機器學習中被忽視的主題

Scott Locklin也閱讀了Colorado的那篇博客，并從中受到了啟發，寫了一篇相應的文章，名為“機器學習中被忽視的想法”（文中有Boris Artzybasheff繪制的精美圖片）。

Scott認為Colorado給出的建議并沒有充分的介紹機器學習領域。他認為很少有書籍能做到這一點，不過他還是喜歡Peter Flach所著的《Machine Learning: The Art and Science of Algorithms that Make Sense of Data》這本書，因為書中也接觸了一些隱晦的技術。

Scott列出了書本中過分忽視的內容。如下所示：

實時學習：對流數據和大數據很重要，參見Vowpal Wabbit。

強化學習：在機器人方面有過討論，但很少在機器學習方面討論。

“壓縮”序列預測技術：壓縮數據發現學習模式。參見CompLearn。

面向時間序列的技術。

一致性預測：為實時學習精確估計模型。

噪聲背景下的機器學習：如NLP和CV。

特征工程：機器學習成功的關鍵。

無監督和半監督學習。

這個列表很好的指出了機器學習中沒有注意到的領域。

最后要說明的是，我自己也有一份關于機器學習的路線圖。與Colorado一樣，我的路線圖僅限于分類/回歸類型的監督機器學習，但還在完善中，需要進一步的調查和添加所有感興趣的主題。與前面的“讀這些書就可以了”不同，這個路線圖將會給出詳細的步驟。