作为一名科技工作者，同时也是一名计算机专业的教育工作者，我来一下这个问题。

首先，当前学习机器学习是不错的选择，机器学习作为人工智能领域的六大研究方向之一，目前的热度也相对比较高，而且由于机器学习与人工智能领域的其他研究方向也有比较紧密的联系，所以通常也把学习机器学习作为入门人工智能的第一步。

机器学习本身涉及到六个大的环节，分别是数据收集、算法设计、算法实现、算法训练、算法验证和算法应用，所以学习机器学习可以从数据收集开始学起，然后逐渐向其他环节过渡。在当前的大数据时代，数据收集和整理的方式也越来越多，获取数据的途径也比较多，可以从基本的数据库技术开始学起。实际上，机器学习作为大数据分析的两种常见方式，大数据领域的从业者往往也需要重点掌握机器学习技术。

算法设计是机器学习的核心，所以算法知识的学习是机器学习的重点，学习算法知识可以从基本的常见算法开始，比如决策树、朴素贝叶斯、支持向量机等算法都需要重点学习一下，在学习算法的过程中，一定要结合具体的案例进行学习。在实现算法时可以采用Python语言，目前Python在机器学习领域的应用也比较普遍。

最后，对于目前IT行业的开发人员来说，学习机器学习知识，可以重点结合一下大数据、人工智能平台所提供的开发环境，这样会有一个更好的学习体验，同时也会在一定程度上加强自身的实践能力，毕竟未来大量的机器学习开发都离不开平台的支撑。

本人IT行业14年，对人工智能有些粗浅了解，目前仍在进一步学习中，结合自己学习人工智能的过程，谈一下个人拙见。

到底什么是人工智能？

人工智能是我们希望机器达到的智能化目标，即希望机器Think like people, Act like people.而对于目前阶段，实现智能的方式是通过观测历史数据，找到数据中隐含的结构关系，从而来预测新数据，实际上目前都属于数据智能，把难以精确解决的问题转换为概率问题，得到近似解。

人工智能怎么学？难学吗？

既然人工智能是基于数据的智能，那么如果要真正学懂，数学知识和计算机知识都必不可少。

1、必备的数学知识

（1）线性代数（矩阵、向量、特征值、奇异值分解）

我想跟你分享几本入门机器学习的书籍：

[微风]理论方面：

1、《机器学习》（西瓜书）

作者：周志华 清华大学出版社

2、《统计学习方法》

近年来，全世界对机器学习的需求正在蓬勃发展，引起了很多人的兴趣。很多数据科学家、软件工程师和数据分析师都在快速进入这个领域，以期在将来有一个更好的职业发展前景。

然而，很多初学的朋友因为刚刚接触这个领域，难免有些摸不到头脑。在网上看的文章也是众说纷纭，不知道该何去何从。

这里梳理了一些针对初学者的建议，希望能对你的学习有所帮助。

机器学习入门清单及路线：

1. 斯坦福《概率与统计(Probability and Statistics)》

2.MIT《线性代数(Linear Algebra)》

3. 斯坦福 CS231N《用于视觉识别的卷积神经网络(Convolutional Neural Networks for Visual Recognition)》

4.fastai《程序员深度学习实战(Practical Deep Learning for Coders)》