在本教程中，我们将对学习机器学习和人工智能所需知识的主题进行初步介绍。
我们首先将了解传统上与机器学习相关的三个专业分支之间的区别。从这些差异中，我们得出了不同的职业道路，这反过来又导致了不同的专业化。
其次，我们将研究机器学习的前提学科。实际上，学生在深入学习机器学习之前需要一定的背景知识。我们将确切地看到我们需要什么样的初步知识以及为什么。
最后，我们将讨论人工智能研究的一些替代方法。这些替代方法虽然不那么普遍，但却为了解它们的人带来了巨大的专业和市场价值。
在本教程的最后，我们将了解机器学习的先决条件。我们还将特别了解它们与机器学习的关系，以及与人工智能之间的关系。
数据科学<机器学习工程<人工智能
当代的学术和公共话语常常互换使用术语“数据科学”，“机器学习”和“人工智能”。但是，这三个名称指向的概念略有不同，因此，我们应将它们分开：
- 数据科学是一门涉及数据集分析以及从中提取人类可读见解的学科
- 机器学习是软件工程的一个分支。它涉及用于实际软件应用的统计模型和数据管道的构建和调整
- 人工智能是致力于在人工智能系统中复制人类认知的学科的统称
因此，它们相互关联但彼此不相等。不过，更准确地说，我们可以说其中每个包括另一个，但数据科学除外。
这些分支的工作者
数据科学家是在公司或公共机构的数据科学部门工作的专业人员。数据科学家的工作是处理通常非常大的数据集。他们还从中提取见识，从而使高级管理层能够做出明智的决定。
机器学习是软件工程师的领域。他们是负责开发组织使用的数据库以及与他们的开发有关的数据管道的专业人员。
在纯人工智能工作领域，大部分是学者和科学家。令人惊讶的是，他们中的许多人不属于计算机科学系，而是与许多其他分支机构一起工作。除显而易见的计算机科学外，其中最常见的是心理学，认知科学，神经病学和哲学。
我们应该选择哪个分支？
传统上与机器学习相关的这三个分支之间的选择应基于我们个人对与它们相关的学科的研究倾向：
- 数据科学需要对统计学，概率论以及更广泛的数学知识有深入的了解。这可能不是每个人都可以使用的，因此在决定支持此职业道路时应仔细考虑。它还需要另一个正交主题的知识：许多数据科学家不是纯粹的程序员，而是经济学家，市场营销专家或社会科学家
- 机器学习工程是软件工程师的领域，涉及用多种语言编写和测试代码。习惯于关系数据库，Java，C ++和Python，但更喜欢不参与微积分的程序员，应该考虑这种职业发展轨迹
- 纯粹的学科人工智能是科学家的领域。如果一个人对基础或基础研究感兴趣，并且希望通过对其他领域（如认知科学或心理学）的良好理论理解来补充其在编程或统计学方面的知识，则应该进入该领域。
一旦确定了职业道路，我们就可以确定所有三种类型的专业人员都应该知道哪些学科。显然，与每个主题相关的知识深度将根据我们选择的职业轨迹而变化，但是所有这三个分支的专业人员都应该熟悉机器学习的所有传统先决条件的基础。
机器学习的传统先决条件
所有想要在机器学习领域工作的人，无论他们选择哪种职业，都必须至少了解以下学科：统计，概率论，线性代数，微积分和编程。
机器学习和人工智能还有其他理论方法，以及与之对应的许多学科，可以指导那些首先接触该领域的人的研究。我们将在这里讨论的是：
- 心理学与认知科学
- 通用系统理论
- 基于代理的建模
- 复杂性理论
这些基础知识的详细分析点击标题见原文。