前言
相信想学习机器学习的广大程序员(工程师)们已经被那些算法大神的学习路线虐的怕怕的了吧？不用担心，我来带你们理理一个工程师需要入门机器学习，到底要走哪个路线？
基础
不用多说，机器学习作为高门槛领域，基础还是需要的，但是也没有想得那么恐怖，很多人提问机器学习需要哪些数学知识，然后就会得到一大堆犹如天书般高大上的回答： 矩阵分析、微积分、概率论、统计学、数学分析等等，如果按照这些算法大神的路线去走，也许这条路就真的走到头了。
数学
所以，入门阶段要学什么数学呢？
答案就是：大学学过的基本的线性代数、高数(主要是微积分)、概率统计，不需要多高深，重点是能看懂，工程应用的核心是实践，不需要你去证明那些乱七八糟的定理！
好了，有了这些基本的基础，你就可以看懂和理解大部分的机器学习算法内容了。
编程语言
作为工程师，这个对你来说是小菜吧？目前来说Python在科学计算领域是应用最广的，因为学会它就行，虽然Python性能不好，但是毕竟简单嘛，很受非编程人员的欢迎。等你学懂了这个领域，自然可以其它语言去实现自己想要的东东。
入门
Step 1
如果你相信知乎算法大神们推荐的elements of machine learning,那就真的入坑了，工程师最大的优点是啥？懂得实践并且知道自己的实力到底有几瓶醋！
因此我推荐学习Machine Learning In Action,应用语言是Python,如果对英文没自信，那就看中文版本的:机器学习实践。这本书最大的优点就是用较少的公式给你讲解了尽量多的基本算法，而且剖析到位，讲解生动，降低了机器学习的抽象程度。
Step 2
可以学习一些网上的教学课程了，建议学习国外的，毕竟外国人的性格更擅长深入浅出。这里推荐Coursera上面Andrew Ng大神的Machine Learning课程。这门课程的特点如下：全面、深入浅出、有课堂作业来印证学习的内容。
这里我有个建议：一定要一点一点地把这门课啃清楚了，所以作业都做会了，有问题就谷歌，总是有答案的。对于机器学习来说，基础永远都是最重要的！
Step3
这个时候，你对机器学习应该也有一些概念了，这个时候可以培养一些全局观了，我们可以看这两本中文教材：周志华大神的<机器学习>、李航大神的<统计学习方法>，这两本是难得的佳作，值得一看！
英文书籍的话，可以看<Patten Recognition And Machine Learning> 和 <Elements of Statistical Learning>, 后者难度较大，但是内容很丰富，每次学习都会有新的收获。
Step 4
到了上一步，就真的完全入门了，这一步就是选择自己的应用方向了，毕竟机器学习是一个笼统的概念。比如大数据分析预测、图模型、深度学习、自然语言处理、图像识别、语音识别等等，这些都是一些应用方向
然后要讲讲机器学习的平台，现在最火的自然是Tensorflow了，谷歌公司用C++开发，用Python、Go(很快就会在官方的api库中正式发布，对此我还是很期待的，毕竟Go语言的性能是非常高的，工程师不像算法科学家，我们对于性能要求也是很苛刻的)做Api接口。学习这个平台可以从tensorflow上那些models学起，看看这些应用是怎么用tensorflow实现机器学习的。
再具体的，这里就不多说了，其实作者作为工程师也是在摸索之中。
