统计学.要深入理解机器学习，必须要有踏实的统计学根本知识，这涉及到几个方面：度量模型是否成功的各种方法(精确度、召回率、ROC曲线下面积等)。
丢失函数和评估指标的选择是如何偏离模型的输出的。
如何理解过拟合和欠拟合，以及偏差/方差折衷。
你对模型的结果有什么样的信心。

机器学习理论.在演习神经网络的时候，实际上发生了什么?是什么使得某些任务可行，而其他任务不可行?要弄清楚这些问题，最好的方法不是深入研究理论知识，而是试着通过图形和示例来理解机器学习。
须要理解的观点范围包括：不同的丢失函数的事情事理是什么、为什么反向传播是有用的、打算图是什么。
而对付如何建立一个功能模型，以及如何跟团队里的其他职员进行有效地互换，这些都须要深入地理解。
下面我给出了一些参考资料：

数据处理.如果你去问任何一个数据科学家他们的紧张事情是什么，他们会见告你，90%的事情是数据处理。
这与运用AI同样主要，由于模型的成功与否与数据的质量(和数量)强干系。
数据事情包含多个方面，但可归纳为下面几类：

数据采集(包括：找到好的数据源、准确度量数据的质量和分类、获取和推断标签)数据预处理(缺失落数据补充、特色工程、数据增强、数据规范化、交叉验证分割)数据后处理(使模型的输出可用、清理事情、处理分外情形和非常值)

熟习数据处理事情最好的方法是获取一个数据集并试着利用它。
有很多在线数据集，以及很多供应API的社交媒体和***媒体网站。
基于上面提到的几个步骤，我们可以这样进行学习：获取一个开源的数据集，并对其进行检讨。
它有多大(点和特色的数量)?数据如何分布?是否存在缺失落值或非常值?构建一个将原始数据转换为可用数据的转换流程。
如何补充缺失落值?如何精确处理非常值?如何规范化数据?能创造出更多的表现特色吗?检讨转换过的数据集。

对模型进行调试或调优.调试机器学习算法(无法收敛，或者得到的结果不合理)与调试普通代码有着很大的差异。
同时，要找出得当的架构和超参数则须要具备踏实的理论根本和完备的根本架构，以便对不同的配置进行彻底的测试。
由于目前机器学习领域发展迅猛，而调试模型的方法也在不断地发展。
以下是从我们支配模型的谈论和履历中总结出来的“合理性检讨”列表，这些条款也以某种办法反响了许多软件工程师熟习的KISS事理。

从一个已经被证明可以利用类似数据集的大略模型开始，以尽快得到基线版本。
经典的统计学习模型(线性回归、最近邻居等)或者大略的启示式算法或规则常日能帮你办理80%的问题，并且能更快地实现需求。
刚开始的时候，要用最大略的办法来办理问题(请参阅谷歌的机器学习规则的前几点)。
如果你决定演习一个更繁芜的模型以改进基线版本，那么可以用数据集的一个很小的子集来进行演习并达到过拟合。
这能够确保这个模型至少还有学习的能力。
不断地对模型进行迭代，直到对5%的数据量过拟合。

一旦开始用更多的数据进行演习，那么超参数就开始发挥更大的浸染了。
你须要理解这些参数涉及到的理论，这样才能找到合理的值。
请采取有针对性的方法对模型进行调优。
简要地记录下你曾经利用的所有配置及其结果。
在空想情形下，可以利用自动超参数搜索策略。
最开始的时候，利用随机搜索就足够了。
你的开拓能力越强，则这些步骤实现起来就越快，反之亦然。

软件工程.许多的运用机器学习许可你充分发挥自己在软件工程方面的技能，虽然有时也会有一点小改变。
这些技能包括：测试流水线的各个方面(数据的预处理和增强、输入输出的整理、模型推理韶光)。
基于模块化和可重用的原则来构建代码。
演习过程中的不同点对模型进行备份(设置检讨点)。
配置一个分布式的根本架构，这样能更加有效地进行演习、超参数搜索或者推演。

综上所述，少年们要学年夜大好人工智能之前，知识面和动手能力方面要比平常人更出类拔萃才行，当代高科技社会须要的是精良的奇才，而不是平庸的劳动者。