機器學習是電腦科學的一個子領域，讓計算機能夠在沒有明確編碼的情況下自動進行學習。機器學習學科的目的是研究和構建一些可以讓機器自動從資料中學習和基於資料進行預測的演算法。

機器學習的範圍很廣泛，令人著迷。它跨越數學，電腦科學和神經科學的多個領域。

本文的目的主要是嘗試總結機器學習相關的一些“過程”、資料處理過程、數學理論和常用模型。

1、過程

資料科學不是一個設定然後遺忘的過程，而是一個需要設計、實現和維護的過程。

下面這張圖包含有關機器學習過程相關的內容，描述了機器學習資料準備、模型選擇、損失函式選擇、優化、引數調整和結果對比分析過程。

2、資料處理

首先，我們需要一些資料。資料處理包括尋找、收集、清理、還有其他操作等5個步驟。下圖展示了這些內容。

3、數學基礎

機器學習建立在數學基礎之上。下圖展示了機器學習相關的常見的數學基礎知識，可以參考，檢查你是否遺漏了某些知識點。

4、概念

下圖展示了機器學習相關的部分種類，類別，方式，庫和方法相關的概念，涉及線性代數、統計、概率、優化、正則、資訊理論、極大似然估計、分佈和損失函式等方面。

5、模型

下圖列舉了一些機器學習常見的模型，主要介紹了神經網路和傳統機器去學習演算法兩部分。神經網路部分主要介紹輸入層、隱含層、權值初始化、反向傳播法、總結常用的啟用函式（Relu，Sigmoid，Binary，Tanh，Softplus等）。傳統機器學習主要介紹一些分類、迴歸、降維和基於貝葉斯和決策樹、和基於例項的機器學習演算法。

回覆：思維導圖 獲得Python學習必備思維導圖電子版

回覆：量化交易 獲得量化投資程式設計課程與資料

回覆：實驗     獲得20+開源小實驗，真槍實戰體驗AI之趣

回覆：BAT獲得BAT機器學習往期面試題

回覆：題庫     獲得人工智慧面試題庫！