大家好，今天小编关注到一个比较有意思的话题，就是关于python转机器语言学习路线的问题，于是小编就整理了1个相关介绍Python转机器语言学习路线的解答，让我们一起看看吧。
重庆大学机械工程在读硕士，想转去学机器学习，应该怎么规划自己的学习？
先试试在网上找一些相关教程看看，可以考虑先看吴恩达的机器学习教程，然后结合着看周志华的西瓜书，之后应该就算是入门了。机器学习牵涉大量的数学知识，学习过程也相当枯燥，想要转的话要有心理准备。
目前来说机器学习已经遍地开花，技术实力强的同学，永远不愁工作。如果你想转到AI方向，建议再一起读个博。应用型机器学习人才已经很多了，研究型的机器学习人才还是缺口较大。
谢谢邀请。
学术是大部分大学理工科学生的必修课，微积分、线性代数、概率论与数理统计，我想作为一个机械工程的硕士，这些课程应该都学过，所以数学知识我认为不应该成为障碍和问题。
机器学习里面目前用的比较广发的编程语言是Python，工欲善其事必先利其器，要想做机器学习，编程不应该成为障碍，而Python语言是各个编程语言里面入门较为简单的一种，社区健全、***丰富，如果本科期间学过基本的编程语言例如C\C++，入门Python都比较容易，想成为Python高手可能需要一些日子，但是后期可以慢慢来学。
现在网上充斥着各种机器学习的学习资料，视频或书籍，我觉得大多数都是坑，有不少人是利用人工智能的火热想趁机获得一些好处，如果不懂得很可能被这些内容耽误了时间和精力，所以我认为好好把个别几个好好学一下就行了，推荐如下：
***课程
吴恩达《机器学习》
***s://study.163***/course/courseMain.htm?courseId=1004570029&_trace_c_p_k2_=6f3c5551927248fc87191831f0dd6deb
吴恩达《深度学习工程师》***s://mooc.study.163***/***artSpec/detail/1001319001.htm
莫烦Python ***s://morvanzhou.github.io/
周志华《机器学习》
谢谢邀请！
要想从机械工程转向机器学习是可以的，但是存在一定的难度，需要一个系统的学习规划。通常情况下机械工程专业的学生往往都有一个扎实的数学基础，数学基础（包括高数、线性代数、概率论、离散数学）是学习机器学习方向的前提，但是机器学习作为人工智能领域的主要研究内容之一，还需要掌握算法设计、算法实现、计算机基础等内容，关键是如何建立机器学习的研发思路，这个往往是自学者最大的瓶颈之一。
要想入门机器学习需要遵循以下的学习路线：
第一：了解机器学习的概念。在学习机器学习之前首先要知道机器学习要解决什么问题，简单的说机器学习就是从一堆杂乱无章的数据中找到背后的规律（Machine Learning in Action），这个定义感觉和数据分析有异曲同工之处，所以在大数据领域里***用机器学习的方式进行数据分析也是一个比较常见的做法。
第二：了解机器学习的步骤。机器学习的步骤包括数据收集、数据整理、算法设计、算法实现、算法验证、算法应用，通过这个步骤可以发现，数据是机器学习的前提，算法是机器学习的核心。要想实现这个步骤需要做三件事，第一件事情是找数据，第二件事情是学习算法，第三件事情是学习编程语言。目前网络上有不少数据集是可以使用的，从学习的角度来说是可以满足要求的，当然也可以编写爬虫获取一些数据，算法的学习是重点，需要掌握一些常见的机器学习算法，包括决策树、朴素贝叶斯、支持向量机、k-mean、kNN、Apriori等算法，最后需要掌握一门编程语言来实现这些算法，Python是一个不错的选择，看两个Python实现算法的小实验：
第三：建立机器学习的思路。机器学习的思路建立是一个漫长的过程，只有掌握了大量的基础知识之后，才能建立起解决问题的思路。把实际问题抽象成算法，然后通过算法建立起动态[_a***_]，再通过动态模型解决类似的问题是一个基本的机器学习思路。看一个算法的描述过程：
深度学习是机器学习领域一个重要的突破，需要重点关注一下。
机器学习方向的研究生通常情况下在研二的时候会进驻课题组，然后在老师的指导下进行课题研发，这个过程会让学生建立起一个比较系统的知识结构，重点就是如何建立机器学习的解决思路和实现方法。所以，在学习的过程中如果有专业人士（导师、师哥师姐）指导一下，会节省大量的学习时间。
大数据和人工智能是我的主要研究方向，目前我也在指导相关方向的研究生，如果对这些方面感兴趣的同学可以关注我。
如果有大数据、人工智能、物联网、云计算等方面的问题，也可以咨询我，谢谢！
到此，以上就是小编对于python转机器语言学习路线的问题就介绍到这了，希望介绍关于python转机器语言学习路线的1点解答对大家有用。
