机器学习等数据科学类岗位火热起来,学习者的增加也间接对教程提出了需求,博客\网课\培训班等等各路人马纷纷亮相,但是这些教程对大多数人人来说并不美好,无论是半路出家或者是我这类开发转来的人在接触这类学科的时候,很多时候觉得这东西相比计算机来说比较飘,知识点难以组织\技能零碎,造成这个结果的原因,个人思考后认为一是由于学习者先验知识的缺失,二是学习过程中缺乏导师在大局及实践上面的指导,在走了一些弯路以后,自己决定总结一些有益的教程,构筑起知识原理-->应用的体系。
==========================2019.11.08=============================
掌握了机器学习的含义，再去看公式则形象得多；
机器学习的应用因领域的不同而使用的工具有所不同，更加有区分性的是领域特定的知识、工作流程，掌握了前两者，应用机器学习算法则会容易得多。
CV方面：图像处理相关，opencv对一般视觉方法的封装，caffe、TensorFlow对深度学习有所封装；
NLP方面：分词、标注、处理OOV、提取信息、文本聚类、文本分类....从字符->词->句->文档，有章可循。
理论方面：矩阵、概率、优化在这一领域的应用很直观，这些知识和其它理论，可以搭建起机器学习的知识体系的，机器学习不是一个个分散算法，应用机器学习不是逐一尝试每个算法。
