首先，需要系统的学习一下算法知识。机器学习的研发是以算法为核心进行展开的，所以要有一个扎实的算法基础。这个过程需要了解一些比较经典的算法设计过程，逐步培养起解决问题的思路。这部分的学习内容包括随机算法、堆排序算法、快排、计数排序、贪心算法、核算法、势能法、图算法、多线程算法、数论算法和近似算法等，在学习算法的过程中也会连带着把数据结构一并学习一下，因为算法和数据结构本就不分家。
其次，了解机器学习的实现步骤。机器学习的流程包括数据收集、数据整理、算法设计、算法实现、验证算法和应用算法，数据收集是机器学习的第一步，目前可以用于机器学习的公共数据集并不少，对于实验来说已经够用了。接下来就是了解常见的机器学习算法，目前比较常见的机器学习算法包括NB、k-mean、kNN、SVM、Apriori、EM、PageRank、CART等算法，对于有算法基础的人来说，这些算法的学习并不困难。
最后，选择一门编程语言来实现这些算法并对其进行验证。对于软件工程师来说，这个步骤还是相对比较轻松的，目前使用Python做机器学习的算法实现是一个比较常见的做法。人工智能是我的主要研究方向之一，目前我也在带相关方向的研究生，我会陆续在头条写一些关于人工智能方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
零基础的人，怎么自学数据分析？
优秀的数据分析师并不能速成，但是零经验也有零经验的捷径。市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》，没错，七周。第一周：Excel学习掌握如果Excel玩的顺溜，可以略过这一周。但很多人并不会vlookup，所以有必要讲下。了解sum，count，sumif，countif，find，if，left/right，时间转换等。
excel的各类函数很多，完全不需要学全。重要的是学会搜索。我学函数是即用即查，将遇到的问题在网上搜索得到所需函数。重中之重是学会vlookup和数据透视表。这两个对后续的数据转换有帮助。学会vlookup，SQL中的join，Python中的merge能很快掌握。学会数据透视表，SQL中的group，Python中的groupby也是同理。
这两个搞定，基本10万条以内的数据统计没啥难度，也就速度慢了点。80%的办公室白领都能秒杀。网上多找些习题做，Excel是熟能生巧。养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。附加学习：1、了解中文编码utf-8，ascii的含义和区别2、了解单元格格式，帮助你了解后期的timestamp，date，string，int，bigint，char，factor等各类格式。
