【介绍】机器学习-要学什么内容

相信大家都非常想知道，如果要学机器学习，要学哪些内容，这里就列举一些需要学的内容，并跟大家讲讲这些内容分别是些什么，以及哪些是重点。

一、机器学习-要学哪些内容

机器学习发展了许多年，现在的机器学习，已经不能像以前一些老书中所说的那样去学了，以前的模型差不多是有限的，努力一点就能把知名模型给学完了，但现在的模型已经多到像海一样，已经不是一个人努力一下下就能学完的，所以现在只能选择性进行学习，知道需要学什么就非常重要了。

在这里，我们先来看看有什么内容，然后再给出我的建议，大家再根据自己的情况来选择性学习。

• 简单说说-机器学习的演化历史

在说机器学习的内容时，我们先来简单看看机器学习这一领域是如何发展的。

首先，自古以来就有数学模型了(例如最经典的线性回归模型，就由来已久了)。然后，1960-1990这段时间，计算机又带来了一波仿生算法潮(例如神经网络一类的模型)。接下来，1990-2010这段时间，就是面向数据、面向效果而诞生的相关机器学习算法了，并从中衍生出NLP、推荐系统等专业领域。最后，就是现在的新生AI领域了，它先有深度学习，然后进一步演化出了大模型(例如Chat GPT)。

现在，机器学习(machine learning)、深度学习(Deep learning)、大模型(LLM)，就是三大巨头了。

• 机器学习-算法内容

首先，大家要知道，如果要学完机器学习所有的内容，那是不可能的，所以我们所说的，要学的内容，指的是"一般搞机器学习的人"都会哪些内容。机器学习的核心内容，就是算法与模型，围绕算法与模型来展开学习就可以了。常见的模型和算法如下：

回归模型：线性回归、岭回归、Lasso回归等等。

分类模型：逻辑回归、决策树、SVM、集成算法(随机森林、Adaboost、GBDT、Xgboost)等等。

降维算法：PCA主成份分析、线性判别LDA、因子分析FA、独立成份分析ICA等等。

神经网络：感知机、BP神经网络、RBF神经网络、LVQ神经网络、SOM神经网络等等。

其它算法：KNN、K-means、朴素贝叶斯、隐马可夫链HMM、Apriori算法等等。

训练算法：梯度下降、牛顿法、拟牛顿法、动量下降法、随机梯度下降法等等。

当然，这只是常见的内容，更进一步地，随着历史的发展，许多算法现在渐渐划分出去了。例如，在机器学习刚崛起时，就喜欢把神经网络圈进来，在NLP、推荐系统还不够专业时，就喜欢把HMM算法、Apriori算法等等圈进来，而现在其实已经可以把这些剔出去了，此外，大家可能还听到许多CNN、RNN、DBN什么之类的模型，这些模型从诞生开始，基本就很快划分到深度学习中去了，这里就不再列到机器学习中去了。

• 机器学习-常识内容

好了，除了模型和算法，还有一些是理论和实践中的通用概念和常识，例如模型的评估、数据的清洗等等。

一些常见的概念常识：过拟合、正则化、数据清洗、AUC、KS等等。

这里也不列那么多概念了，因为这些概念一般并不需要特地系统地去学，在实践过程中自然慢慢就会积累了。

结束语

事实上，我们上面虽然列了许多的内容，但学习时也是有轻重之分的，越是基础的模型，我们可以理解更深入一些，像线性回归、逻辑回归、决策树、K-means、PCA、梯度下降这些，基本都是要掌握的。而其它的模型，可以先简单了解，在我们真正进入一个行业后，再在实践中深入，因为在特定行业中，往往都只用两、三个模型就差不多够了，所以并不需要每个模型在一开始都学得非常深入。