机器学习线路图：
扎实的数学功底是机器学习的基础，然后就是机器学习典型的方法、算法，最后就是动手编程（Python），动手实践代码编写，如果想要积累实际的项目经验，最好要参加一些数据科学竞赛。
本文主要内容：
机器学习基础：机器学习的分类与一般思路
微积分基础：泰勒公式、导数与梯度
概率与统计基础：概率分布、常见分布、常见统计量
线性代数基础：矩阵乘法的几何意义
机器学习的其他名称：
模式识别、数据挖掘、统计学习、计算机视觉、语音识别、自然语言处理等都属于机器学习的范畴。
后三项（计算机视觉、语音识别、自然语言处理）为机器学习结合具体的知识产生的比较专业的一个领域：如，无人驾驶汽车，采集大量的公路照片，通过图像识别，来判断路况以及如何驾驶和躲避危险。
机器学习的知识框架：
Hacking skills ：为计算机基础、编程基础
Substantive Expertise ：为相应领域的专业知识
Math & Statistics Knowledges ：数学和统计知识、机器学习的算法
如果只是懂懂编程，也有相应领域的专业知识，但是缺乏数学和统计知识，就会非常危险，下图中对应的区域为：Danger Zone！
机器学习的分类：
监督学习：分类是判断具体属于哪一类，是离散的；回归是连续的，比如说房价
