最近会面试一些“做过机器学习”的人。但是经常遇到的很让我无语的一种情况是，在问他们一些机器学习的相关知识的时候，对话往往是这样的：
-- 呃， 你用过 logistic 回归？
-- 嗯，是的。
-- 能跟我说说 logistic 回归是怎么回事么？
-- 我不知道，我用的是 XX 包，把数据整理成一个什么样的格式丢进去，然后它就出结果了……
确实，现在 Machine Learning 的 toolkit 非常多，基本上可以想得到的，都能找到对应的开源项目。如果你在BAT这些公司，说不定这些 toolkit 连图形化界面都给你提供了。这大大降低了我们的使用成本。但是，如果你认为自己“做过”机器学习的话，只会调用别人的工具显然是不够的。一直都一帆风顺还好，如果你的数据扔进去，吐出的模型文件并不能像你预想的那样 work 的很好的时候，如果你只会调用别人的工具，你怎么知道问题出在了哪儿呢？
所以其实我觉得如果做机器学习的话，一些基础还是要打好的。就像不了解对象模型的人，仍然可以很欢畅地写 C++ 代码（也许都写成了C），但是恐怕不能说自己熟悉 C++。而机器学习是建立在数理统计、线性代数、信息论和决策论上的，打基础的话，应该也从这些知识开始。尤其是机器学习这个领域发展到今天，各种算法及这些算法的种种变体非常之多，很少有人能够把这些算法全都摸得门儿清。但是，在有了一定的基础知识之后，看懂一个算法应该不会成为太困扰你的事儿，看懂了之后，这个算法的优劣、使用范围等也应该会有大致的了解了。
如果要入门机器学习的话，有两本书推荐一下。一本是Mitchell的《机器学习》，这本书现在机器学习中一些最常用的、经典的算法，包括 Regression，Classification，Cluster，EM，简单的神经网络等等，顺带穿插讲述了一些基本概念，如最大似然估计、误差函数、梯度下降、后向传播算法等，Andrew Ng 在 MIT 的机器学习课程，也是以这本书为蓝本的；另外一本书是《数据挖掘：实用机器学习技术》，这本书有意思的地方是搭配了一个开源的、带GUI界面的机器学习工具Weka，并且带一些数据集合，可以亲自动手试一下，避免入门的时候太过枯燥而产生畏难情绪。这两本书大致看过之后，可以看看Bishop的神书《Pattern Recognition And Machine Learning》……的前两章，尝试弄清下面的几个问题：
- 统计学的基础：先验，后验，大数定理，bayes rule，marginal probability，等等；
- 如何度量信息的有用程度：信息熵，交叉熵和互信息都是什么？
- 什么是点估计？什么是区间估计？
- 最大似然估计，最大后验估计，Bayesian估计之间有什么样的联系和区别？
- 什么是过拟合？如何避免过拟合？什么是正则化？试着使用MLE和MAP分别推一下曲线拟合中没有正则化（不带惩罚项）和L2正则化（带有针对参数平方和的惩罚项）的error function。
……等等。
然后呢？然后你就可以愉快地玩弄各种 toolkit，撸各种 paper 去了。（至于要发各种paper的童鞋……对不起哪不在我的知识范围之内了T.T）
