机器学习路线和方向

1，基础知识

数学

主要包含高等数学，线性代数，概率论和数理统计

统计学

主要了解一些统计的概念，用来评估模型

编程

主要是python相关

数据分析/挖掘

python相关库的使用

主要是NumPy，Pandas、Matplotlib

特征工程

特征工程或特征提取或特征发现是利用领域知识从原始数据中提取特征（特性、属性、属性）的过程。其动机是利用这些额外的特征来提高机器学习过程的结果的质量，而不是只提供原始数据给机器学习过程。

数据挖掘

数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

2，NLP方向

主要方向如下

文本分类（Text Classification）

文本分类是指标记句子或文档，例如电子邮件垃圾邮件分类和情感分析。

语言模型（Language Modeling）

语言建模涉及开发一种统计模型，用于预测句子中的下一个单词或一个单词中的下一个单词。它是语音识别和机器翻译等任务中的前置任务。

机器翻译（Machine Translation）

机器翻译是将文本从一种语言翻译成另一种语言的任务。

问答系统（Question Answering）

问答是一项任务，其中提供了一个句子或文本样本，从中提出问题并且必须回答问题。

语音识别（Speech Recognition）

语音识别是将口语的音频转换为人类可读文本的任务。

自动文摘（Document Summarization）

文档摘要是创建较大文档的简短有意义描述的任务。

3，深度学习方向

Pytorch
TensorFlow等