一般我们可以把机器学习算法分为传统的机器学习算法和深度学习算法。另外，机器学习也不是万能的。在很多情况下，性能取决于数据和问题定义，并不是每个问题都可以通过机器学习来解决。机器学习其实是一个特别大的范畴，高效自学机器学习有两个关键要素。编程等语言很多；3 matlablisprolog、Python等机器学习。
学习做面包能多久学会？
学做面包要多久？看我的教程5分钟就能学会做出好吃的面包。第一步准备材料。高筋面粉280克，奶粉9克，砂糖24克，盐5克，干酵母6克，牛奶115克，汤种72克，白油24克。第二步取25克高筋面粉兑125克水调匀，小火慢慢加热，不断搅拌，熬成面糊状即可离火即为汤种，取72克备用。第三步干酵母溶于温牛奶，与除黄油以外的其他材料放在一起揉成面团，再把黄油加入，慢慢揉进面团，至面团能拉出薄膜 (手工揉面尽量揉到面团光滑有弹性亦可)。
第四步揉好的面团放到温暖湿润处进行第一次发酵至原来2.5到3倍大左右。第五步发酵好的面团取出，分割成2等分，稍整理形状，用擀面杖擀成长面片，卷起。第六步土司盒内壁事先抹上一层黄油，将卷好的两个面团排入土司盒，放到温暖湿润处进行第二次发酵至土司盒9分满，取出盖上土司盒盖 (土司盖内侧也事先抹上一层黄油)可以面团放烤箱，里面同时放一杯热水，关上烤箱门就可以了，同样也可以在微波炉操作这一步。
如何更高效的自学机器学习？
机器学习其实是一个特别大的范畴，高效自学机器学习有两个方面的关键要素首先要对机器学习有一个宏观的认识，知道哪些是领域是热门且重点领域，做到抓住重点，有的放矢其次，你需要在熟练掌握一门语言工具的前提下结合具体项目实践，增加自己的实践经验，这个地方我给python打一个广告。下面说一些具体的东西，可能会对你有所帮助。
1: 机器学习可以解决哪些问题？主要分为两类问题分类问题和回归问题，其中分类问题又可以分为多分类问题和多标签多分类问题。其他还有很多进阶版本的问题，一般由多个问题复合而成，比如物体检测，实际是把图像分割和分类问题整合到了一起2: 机器学习算法有哪些？我们大体可以将机器学习的算法分为传统机器学习和深度学习算法。
传统机器学习算法中，常见的有SVM，决策树，随机森林等，大都在sklearn中进行了集成，可以非常方便的调用。深度学习算法主要依赖学习框架，主流的包含Tensorflow和PyTorch，各有优缺点，请自行了解做进一步选择。其次就是深度学习的网络结构又可以分为卷积神经网络，递归神经网络，自动编码器，对抗生成网络，图卷积神经网络等。
目前深度学习在各个领域都取得了巨大的性能提升，是机器学习中的重点领域，另外图卷积也逐渐成为重中之重3: 常见的机器学习的流程是什么样的？一个不失一般性的流程由这么几部分构成数据集整理，数据集预处理，数据集划分训练集，测试集，验证集，常见比例7:1:2，模型训练，模型验证，模型测试。4: 怎么评价模型性能好坏？常见指标有哪些？我们通常使用验证集的数据测试并选择最终的模型，然后用测试数据集来测试我们模型的性能。
得到最终模型后，我们可以使用更大的独立测试数据集来进一步评估模型的性能。评估模型性能，我们就需要使用具体的性能指标。根据数据集中不同类别样本的比例，我们将数据集分为均衡数据集和非均衡数据集。均衡数据集我们可以使用准确率损失值马修斯系数F1-scoreROC 曲线以及 AUC 值等指标，这类数据集的评估相对容易。
对于非平衡数据集，我们需要小心地使用精确度来衡量模型的性能。结合具体问题，一般用F1-score和ROC-AUC等指标。5.关于公共数据集。现在互联网上有很多开放的、标记良好的数据集，包括图像、序列、文本等等，为机器学习提供了很好的学习环境。你需要在练习阶段充分利用这些资源！另外，机器学习也不是万能的。在很多情况下，性能取决于数据和问题定义，并不是每个问题都可以通过机器学习来解决。
