学习机器学习有哪些先决条件？
我一直着迷于机器学习的主题，直到我决定教自己如何去做。 所以我在网上发表了斯坦福大学提供的课程。 但是，我对它所包含的math的数量感到震惊。 那么，我应该能够理解机器学习algorithm的math背景是什么呢？ 是否有任何图书馆能够抽象出所有的math知识，并着重于devise一个能够学习的软件？
- 线性代数
- 概率论
- 结石
- 微积分的变化
- 图论
- 优化方法（拉格朗日乘子）
就像计算机科学相关主题的99％（不要引用我的数字）一样，机器学习的理论基础经常涉及很多math……无论如何，不应该那么困难即使没有深入的微积分知识，也要学习一些基本的MLalgorithm。
那里有各种机器学习库：
- WEKA
- Java机器学习库（Java JML）
- Apache Mahout
- 其他…
我想说，你应该开始尝试build立自己的简单的MLalgorithm：也许一个neural network或遗传algorithm 。 成功构build一个将会使你的理解发生很大的变化…特别是在给定一个特定的问题之后，你可能不得不自定义MLalgorithm。 知道它是如何工作的，从头开始，将允许你做任何你认为必要的修改。
编程集体智慧：通过Toby Segaran 构build智能Web 2.0应用程序是一本非常棒的书！ Toby构build了所有时间机器学习经典的简单实现：neural network，支持向量机，遗传algorithm，聚类。 所有这些简单的解释如何和为什么他们的工作。 作为奖励，所有的例子都在Python！ 但即使你不懂Python，你也会理解这本书。 我强烈推荐它
有关机器学习的一些背景知识，请参阅此处： http : //bumphunting.blogspot.com/2009/07/what-are-good-prequisite-textbooks-for.html
这是一个.NET岩石插曲！ 谈论机器学习，还有一个小型的图书馆
线性代数和（基本）统计。
