怎样学习陌生领域的知识？

一、怎样学习陌生领域的知识？

学习陌生领域的知识的方法如下：

一、建立全景图

在进入陌生领域时，如果能够在开始就获得全景图，或者自己搭建，会加速学习进度，可以更快地掌握新知识。这就好像在到一个陌生的地方时，拿到一张地图，路线清晰，目的明确。

二、紧扣知识价值链

全景图有了，但还需要一个资料一个资料的看、吸收、实践、验证、扬弃，才能够化为己有，图只是告诉我们应当拥有什么知识，而拥有的本身仍然需要付出和努力。

全景图是宏观，而知识链上的每个节点，是微观。要先宏观再微观，然后再把微观联合为宏观，并且浸淫数年，才能够说掌握一个领域，而掌握，与精通，还是有差距的。要区分了解、熟悉、掌握、精通的差异点，同时清楚自己的优势和弱点，针对全景图、知识链上的知识节点，分别给出不同的精力投入。

三、抓关键

资料是无限的，一个全景图看上去是平面的，事实上是有纵深的，即使精力有侧重，要快速掌握一个领域，也必须懂得技巧。

要先做一些设问：

1、这个领域涉及到哪些概念？大概念里有哪些小概念？关联的其他概念？

2、发展的历史？前景的预测？在国外如何发展？国内如何发展？

3、最近两年的行业报告

4、这个领域里最知名的专家有哪些？（开始的范围最好不要超过五位，太多了研究不过来）他们各自的观点？他们的著述？

5、行业的竞争格局是怎样的？

6、这个领域里顶尖的几家企业分别是谁？其有什么产品或服务？

7、业界有什么大的活动已进行？在进行？要进行？

四、善用工具

1、网络（搜索引擎、百科、豆瓣、行业网站、博客、微博）

2、书藉（图书馆、网络书店等）

3、视频（光盘、优酷等）

4、当面交流（比如与专业人士的直接交流，但要注意先有一定基础后再交流，否则对方会因为扫盲行为而降低价值） 。

二、机器学习的分类？

机器学习是一个比较大的范畴，机器学习包括很多东西，如决策树分析，主成分分析，回归分析，支持向量机，神经网络，深度学习等。你说的流量分类应该是说采用机器学习里面的一些分类算法，如朴素贝叶斯算法，K-means算法（也叫K均值算法），EM算法(也叫期望值最大化算法)等聚类算法。

三、机器学习包括？

机器学习

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

四、永恒之沫学习机器如何？

这个学习机非常的好 它里面有很多的故事 还可以帮助学习英语

五、如何根据目标选择合适的机器学习模型？

选择合适的机器学习模型需要考虑多个因素，包括以下几个步骤：

1. 确定问题类型：首先要确定问题是分类、回归还是聚类问题。分类问题涉及将输入数据分为不同的类别，回归问题涉及预测连续数值，而聚类问题涉及将数据分为不同的群组。

2. 数据集规模：考虑数据集的规模，包括样本数量和特征数量。如果数据集较小，可以选择简单的模型，如逻辑回归或决策树。如果数据集较大，可以选择复杂的模型，如深度神经网络。

3. 数据特征：了解数据集的特征，包括特征的类型（连续、离散、文本等），以及特征之间的关系（线性或非线性）。不同的模型对于不同类型的特征和关系具有不同的处理能力。

4. 模型复杂度：考虑模型的复杂度和可解释性。某些模型具有更高的复杂度和预测性能，但缺乏解释能力，而其他模型较简单但更容易理解。根据具体应用场景的需求选择合适的平衡点。

5. 计算资源：考虑可用的计算资源，包括处理器、内存和训练时间等。某些模型需要更多的计算资源来训练和推断。

6. 算法选择：根据以上因素，根据常见的机器学习算法选择合适的模型。常见的算法包括线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻、深度神经网络等。

7. 调试和评估：在选择模型后，对其进行调试和评估。比较不同模型在测试数据集上的性能，并选择最合适的模型。

需要注意的是，以上步骤只提供了一般性的指导，具体选择模型的最佳方法往往需要根据具体问题和数据集的特点进行调整和迭代。

六、机器学习的哲学本质？

机器学习的本质，就在于建立了（原始数据——认知）之间的直接映射，跳出了“知识”的束缚。

机器学习是一种从数据当中发现复杂规律，并且利用规律对未来时刻、未知状况进行预测和判定的方法。是当下被认为最有可能实现人工智能的方法，随着大数据+机器学习的组合，使得机器学习算法从数据中发现的规律越来越普适。

七、机器学习需要的时间？

这个就要看个人情况，985数学系毕业三个月，可以入门。

八、机器学习是从哪里学习？

机器学习是从数据中学习的。它利用算法和统计模型来分析数据，发现数据中的模式和规律，从而生成预测模型和决策模型。

机器学习有监督学习、无监督学习和强化学习等不同的学习方式，可以应用于各种不同的领域，如自然语言处理、计算机视觉、音频信号处理和金融等。

机器学习的数据来源可以是结构化数据和非结构化数据，如图像、文本、音频和视频等。

九、什么是学习和机器学习？

机器学习(Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心，是使计算机具有智能的根本途径。

学习，是指通过阅读、听讲、思考、研究、实践等途径获得知识和技能的过程。学习分为狭义与广义两种：狭义：通过阅读、听讲、研究、观察、理解、探索、实验、实践等手段获得知识或技能的过程，是一种使个体可以得到持续变化（知识和技能，方法与过程，情感与价值的改善和升华）的行为方式。例如:通过学校教育获得知识的过程。广义：是人在生活过程中，通过获得经验而产生的行为或行为潜能的相对持久的方式。次广义学习指人类的学习。

十、机器学习算法和深度学习的区别？

答：机器学习算法和深度学习的区别：

1、应用场景

机器学习在指纹识别、特征物体检测等领域的应用基本达到了商业化的要求。

深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。

2、所需数据量

机器学习能够适应各种数据量，特别是数据量较小的场景。如果数据量迅速增加，那么深度学习的效果将更加突出，这是因为深度学习算法需要大量数据才能完美理解。

3、执行时间

执行时间是指训练算法所需要的时间量。一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更长的时间。相对而言，机器学习算法的执行时间更少。