隨著數據科學（Data Science）技術的興起，人工智能（ArtificialIntelligence）、機器學習（Machine Learning） 成為近幾年來計算機科學界十分熱門的研究領域，如今在實體和在線的學習機器學習的資源有很多，本文整理了一些好用學習資源希望幫助初學者能更容易使用 Python 入門機器學習的領域中，從零開始學習機器學習。若是對于數據科學不熟悉的讀者可以先參考適用于初學者的資料科學影片 ，讓自己對于數據科學有初步的認識。

人工智能的發展

「人工智能」（Artificial Intelligence）這專有名稱正式出現在公元 1956 年，在美國達特茅斯學院 （Dartmouth College）召開的第一次人工智能會議。根據維基百科的定義，人工智能系指由機器所展現的智能，一般而言人工智能又分為「強人工智能」（Strong AI）和「弱人工智能」（Weak AI）兩種不同的主張。所謂的強人工智能指的是有自我意識、有知覺可以自己推理和解決問題的機器智能，而「弱人工智能」只能仿真人類的思維與行為表現，但缺乏真正的推理與解決問題的能力，也不具有自主意識。人工智能在歷史上經歷了幾次熱潮和寒冬，從最早的邏輯推理到后來的專家系統，再到目前的機器學習/深度學習，機器學習可以視為人工智能的一個實現方式或是發展的一個歷程。

事實上，人工智能或是機器學習都是一門跨領域的學門，牽涉了 計算機科學、數學、神經學、心理學、經濟學、統計學等層面，也有許多相關的學門：

隨著運算資源（云端運算、GPU 等）、海量資料（目前還有許多資料還沒被創造，等待我們去發掘呢）以及機器學習/深度學習的發展，生活上許多產品已經可以看到人工智能的應用。但人工智能最美好的境界莫過于人機之間的互動以及相輔相成，以AlphaGO 為例，雖然人類在圍棋領域輸給人機器，但也從機器的思考方式去重新思考了圍棋的真諦和有別于人類的思考方式。

「就因為某樣東西思考的方式跟你不一樣，就代表它沒在思考嗎？」 “Just because something thinks differently from you， does it mean it’s not thinking？” —《模仿遊戲》《Imitation Game》（2015）

什么是機器學習（Machine Learning）？

機器學習是一種數據科學的技術也是一種實現人工智能的一種方式，協助計算機從現有的數據學習，以便預測未來的行為、結果和趨勢。根據學習的方式又可以分為需要解答的監督式學習（Supervised learning）、非監督式學習（Unsupervised learning）和增強學習（Reinforcement learning）等（還有一種混合式的半監督式學習）等子類別。機器學習技術可以應用的范圍十分廣泛，總的來說機器學習可以解決以下幾種問題：

1. 分類問題：這是A 類或B 類嗎？

2. 異常值判斷：這很奇怪嗎？

3. 預測性分析：有多少？

4. 分群問題：這是如何組織的？

5. 增強學習協助決策：我接下來該怎么辦？

當我們搜集到相關、精確、連貫、足夠資料就可以挑選合適的算法進行模型的的創建。

為什么選擇Python？

在數據科學和機器學習領域最重要的兩大程序語言就是Python 和R，Python 簡潔易學、應用范圍廣（不限于數據分析）且學習曲線平緩，適合作為第一個入門的程序語言，透過pandas、SciPy/NumPy、sckikit-learn、matplotlib和statsmodels 可以進行數據分析的工作，適合工程任務和需要和網絡應用程序整合的項目。至于R 由于是統計學家開發的程序語言，則是擅長于統計分析、圖表繪制，常用于學術研究領域，建議也要有一定程度的掌握。一般情況下Python 和R 并非互斥，而是互補，許多數據工程師、科學家往往是在Python 和R 兩個語言中轉換，小量模型驗證、統計分析和圖表繪制使用R，當要撰寫算法和數據庫、網絡服務互動等情況時在移轉到Python。為了降低學習成本。

此外Python本身是一種通用語言，除了數據科學外也可以廣泛使用在 網絡開發、網站建置、游戲開發、網絡爬蟲等領域，當你需要整合系統產品服務時，可以擔任一站式的開發語言，更重要的是 Python 也可以當成 膠水語言非常輕易和 C/C++ 等效能較佳的語言整合。簡而言之，Python是一種簡潔易學但功能強大，值得投資的程序語言，所以我們這邊先使用Python 進行介紹。

若對于Python和R 比較，這邊有兩篇文章可以參考數據科學界華山論劍：R與Python巔峰對決、Which is better for data analysis:R or Python？。

如何開始入門機器學習？

事實上，數據科學是個跨領域學門，在學習如何使用Python 進行機器學習過程中通常必須掌握以下知識：

機器學習算法

Python 程序語言和資料分析函式庫

線性代數 / 統計學等相關學門

專業領域的領域知識（ Domain Knowledge ）