人工智能，机器学习，算法这些东西比较较而言是比较难学的，技能性，研究性比一样平常运用性的开拓更难，更费脑筋，学习人工智能，机器学习以及算法我认为不仅仅只看重它目前的火热，以及薪水报酬高这些外在，要想学好这些，实在更主要的是须要兴趣以及研究型的头脑。
兴趣是最好的老师，如果对算法，机器学习感兴趣这是最好的学习办法。

那么作为普通程序员，向人工智能领域靠拢的话，须要做哪些准备呢?

第一，复习线性代数。
这非常主要，模型打算全靠它，一定要复习踏实，如果平常不用可能忘的比较多。
而高数和概率只要节制根本就行了，比如积分和求导、各种分布、参数估计等。
概率与数理统计也非常要中，由于cs229种，险些所有算法的推演都是从参数估计及其在概率模型中的意义起手的，参数的更新规则具有概率上的可能阐明性。

第二，入门机器学习算法。
并非所有的开拓者都有机器学习算法的根本知识，那么开拓者如何从零入门来学习好机器学习算法呢?随着别人的教程来做是一个非常温和的开始。
有很多精良的资源，可以让你用来从零开始实现机器学习算法。
大概最具威信性的是能辅导你完玉成部教程的书本。
从啃书本开始学习有很多好处。
例如：其他人已经研究出了该算法并把它转换成了代码;你可以利用它作为一个用于修正和实验的已知事情出发点。

第三，考试测验用代码实现算法。
在这一步，大部分人都卡在了对算法理解不足抽象。
可以试试看是不是能把算法的每一步写成你所熟习的代码的形式，不用管什么语法是否严密，主要的是每一步的逻辑是否清晰，是否能独立地阐明清楚。
一定写下来自己读一读，如果自己读起来以为都有点不通，那么可能便是对算法的抽象还不足，如果读起来有一个大块自己以为似是而非，细化不下去，那么就可能是理解得还不足深刻。

第四，评估一个机器学习模型。
评估演习出的模型是准确预测的关键。
演习出的模型是建立在总数据的子集上的，其被称为演习数据，演习结束后该模型将被用于预测其它新数据。
通过演习集产生的模型，利用测试数据来进行模型效果的评估，评估结果以模型评估报告的形式呈现，在报告中通过AUC值、模型准确率、模型召回率等一系列评估指标将帮助判断模型是否可行以及是否知足业务目标。

接下来便是自己去实现完全的模型了，能做到这一点，你的人为能不翻倍?