本文主要向大家介绍了机器学习入门之入门机器学习与人工智能需要哪些知识储备，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

众所周知，机器学习是目前人工智能的主要技术，而机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用 UML、ORM、设计模式及其他软件工程工具／技术，但和数学相比，这只是一些浅层内容。这并不是说这些概念不重要，而是机器学习需要一种不同的方法。如今 Python 如此流行的原因之一是其原型设计速度。在机器学习中，使用几行代码即可建模算法的语言是非常必要的。

分享之前我还是要推荐下我自己建的Python开发学习群：628979297，群里都是学Python开发的，如果你正在学习Python ，小编欢迎你加入，今天分享的这个案例已经上传到群文件，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2018最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴。

下面先简单回顾一下所需的数学基础：

概率论

•离散型和连续型随机变量

•主要分布（伯努利分布、二项式分布、正态分布、 指数分布、 泊松分布、Beta 和 Gamma 分布）

•矩估计和最大似然估计

•贝叶斯统计

•相关性系数和协方差（Correlation and Covariance）

线性代数

•向量和矩阵

•矩阵的行列式

•特征向量和特征值

•矩阵分解（如 SVD）

微积分

•极限与导数

•微分和积分

•数值计算与最优化方法

Python：重要的语言工具

使用 Python 时，Numpy 不仅仅是一个库。它是几乎所有机器学习实现的基础，因此了解它的工作原理、关注向量化和广播（broadcasting）是非常必要的。这些技术可以帮助加速大多数算法的学习过程，利用多线程和 SIMD、MIMD 架构的力量。

神经网络入门

神经网络是深度学习的基础，它也是一门单独的课程。但是，我认为理解感知机、多层感知机以及反向传播算法的概念也很有帮助。Scikit-Learn 提供了一个实现神经网络的简单方法，但是，开始探索 Keras 也是一个好主意，Keras 是一个基于 Tensorflow、Theano 或 CNTK 的高级架构，可以使用最少的努力对神经网络进行建模和训练。

为了帮助大家更好地学习机器学习及人工智能，小编为大家整理了关于机器学习和Python方面的学习资料，有需要的同学私信小编即可，希望能对在人工智能道路上奋斗的同学有所帮助。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！