随着人工智能技术对各行各业的影响越来越深入，“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇也就渐渐进入我们的视野，这些词汇或许对于非专业人士来说显得略为玄幻，但搞清楚它们却又十分必要。

什么是机器学习？
机器学习（Machine Learning, ML）是人工智能的一个分支，是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
同时，机器学习是一个涉及到多个领域的交叉学科，其涵盖范围包括了概率论、统计学、逼近论、凸分析、计算复杂性理论等学科。
机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
目前，机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
在机器学习领域，Python已经成为了主流。一方面因为这门语言简单易上手，另一方面是因为Python有足够完善的库可以调用，能为我们节省下敲长长的代码的烦恼。
因此，对于打算入门人工智能的同学，最直接的学习方法就是结合开源的框架，而机器学习和深度学习的开源框架恰好基本都是用Python接口的。
既然如此，最佳的学习路线是怎样的呢？
（一）搞定Python：
千万不要一直在钻研Python。语言只是工具，边练边学、边学边用，快速掌握基本语法才是正道；
（二）机器学习算法：
机器学习有很多经典的算法，从简单的算法开始，用Python实现并从流程的角度熟悉原理；
（三）熟悉Python库：
如果想精通Python库，难度还是蛮大的，不妨先熟悉，等实际运用的时候再查一遍。
（四）案例与实战：
用真实数据来玩算法是学习的最好方式。先搞定算法的原理，再把数据应用进去，然后就是一步一步debug完成整个项目。
虽然学习步骤看似很简单，但是实际操作还是存在一定难度的。对此感兴趣的朋友，还是找一个靠谱的机构比较好~