本文摘编了两位网友的回答解读机器学习有关工作所备的技能有哪些！
一、Jonathan A. Cox（机器学习和应用物理研究人员）的回答：
这里有很多回复都提到了一些创业公司常用的工具。值得注意的是，在你 35 岁以上的职业生涯中，这些工具会变得完全不同。所以最好的办法是熟悉基本概念和数学。
其次，机器学习领域太过繁杂，根本不可能真正深入理解几十种不同的算法。我觉得你可以先深究几个最有前景的算法。说是这么说，你也要很了解一些基础的东西才行，比如说朴素贝叶斯、支持向量机、感知器、决策树。
最后，很多创业公司，或者非研究领域的人会告诉你要专注于那些快要老掉牙的算法（比如支持向量机 （SVM））和大数据的数据库工具（比如说Hadoop）。考虑到你刚刚起步，我觉得你可以专注于那些很快会发展起来的架构：神经网络，单指令流多数据流（SIMD）向量计算（比如说GPU）。神经网络最近 10 年内开始革命性地颠覆自然语言处理、机器视觉、语音识别和其他领域。鉴于它的强大，这个影响还会继续下去。
综上，我会选择诸如 GPU 加速这类算法来自学和实现，再加一些分布式数据库的知识。以下是值得考虑的算法：
深度置信网或者层叠降噪自动编码机 / Deep Belief Nets or Stacked DenoisingAutoencoders
卷积神经网络（CNN）
长短记忆（LSTM）时间递归神经网络
结构递归神经网络（通常用于自然语言处理）
word2vec 神经网络以及相关通过上下文学习词语的相关算法
另外一个很有前景的领域是强化学习，尤其是 Deep Mind 的 Q-learning。当你用到延迟奖励功能（比如玩 Atari 游戏时的得分），并且不能在你的网络中直接计算参数梯度时，你会用到强度学习。当你熟悉了上述的算法之后，你大约会想探索一下这个领域。这个领域跟机器人以及，更现实一点，关于人和动物是怎么学习的模拟，很有关联。
补充：我现在有这样的想法：过去的一年中，结合不同的神经算法，得到一个“深度“系统的方法逐渐显露出重大进步；因为这个方法的整体大于它的组成部分。鉴于奠基石已经铺下，我预计最显著的进步很可能会落在这个方向。一定程度上，细致整顿整个系统之前训练好个体模块，以及更快的计算群让这种进步成为了可能。（然而我们仍会在单个的算法中看到进展。）
换句话说，现在结合了卷积神经网络和多层感知器（MLP）的 LSTM，可以做到用句子描述图像之类的事情（来源：Goolge/Stanford）。类似地，已经有了具备强化学习能力的卷积神经网络和 MLP 组成的 Atari 游戏竞技网络。
往这个清单加上新东西同样很容易：把通过 word2vec/GloVe/skip-gram 训练出来的词向量输送给这样的复合网络，或者甚至是用递归神经网络训练的情感分析层。
有了神经网络和反向传播，在任意几何体上结合/叠加层，以及把组合作为整体系统来训练都变得容易了，它们可以扩展出强大的能力。
由许多不同种类的神经网络组成，用各种技术连接在一起，单独训练，协同微调，这些混合系统将继续向我们展示充满戏剧性的新能力。
二、Joseph Misiti 的回答分享，4400+ 顶
个人认为，以下是部分必需技能：
更新：我在 Github 创建了一个 repo，里面有上百的资源链接能够帮你起步。
https://github.com/josephmisiti/awesome-machine-learning
Python/C++/R/Java
假如你想在机器学习领域里找一份工作，你大概迟早要学会这些语言。Python 的 Numpy 和 Scipy 库 [2] 非常有用，因为这些库不仅有跟 MATLAB 相似的功能，而且将其整合进WebService，或者在 Hadoop（见下）里使用的时候也十分简单。在加快代码运行速度的时候会用到C++。R [3] 在统计和画图的时候非常好用。Hadoop [4] 是用 Java写的，所以当你实现 mappers 和 reducers 的时候可能需要用到 Java（虽然你也可以通过 Hadoop streaming [5] 使用脚本语言）。
概率和统计
学习算法里的很大一部分都基于概率和统计理论，比如说朴素贝叶斯 [6]、高斯混合模型 [7]、隐 Markov 模型 [8]。想要理解这些模型，就需要扎实的概率和统计功底。测度论 [9] 怎么拼命学都不过分。把统计作为模型的评价指标，比方说混淆矩阵、ROC 曲线、p值等等。
应用数学和算法
对于 SVM [10] 这些判别模型，就需要算法理论的扎实基础了。即便你不需要从头开始实现SVM，学习算法理论也可以帮助你理解算法。需要学习的东西有凸优化 [11]，梯度下降 [12]，二次规划 [13]，拉格朗日 [14]，偏微分方程等等。要习惯看求和符号 [16]。
分布式计算
如今大部分的机器学习工作都要求使用大型数据集（见《数据科学》）[17]。处理这些数据并不能凭借一台机器，而是需要把工作分派给整一个集群。像 ApacheHadoop [4] 这样的项目和亚马逊的 EC2 [18] 这样的云服务就能以合理的成本方便地处理这些数据。虽然 Hadoop 把很多硬核的分布式计算问题隐去了，对 map-reduce [22] 和分布式文件系统 [19] 等方面有透彻的理解还是十分必要的。Apache Mahout [20] 和 Apache Whirr [21] 也很值得一看。
精通 Unix/Linux 工具
除非你运气好，不然你总是需要修改你数据集的格式来载入到 R、Hadoop、HBase 等。Python这些脚本语言（使用 python 里的 re）也能用来完成这个事情，但是最好的方法大约还是掌握专门为此设计的 unix 工具：cat [24]、grep [25]、find [26]、awk [27]、sed [28]、sort [29]、cut [30]、tr [31]等。因为最有可能在基于 Linux 的机器上处理这些数据（我记得 Hadoop 并不能在 Windows 上运作），你一定可以用到这些工具。要学会热爱并尽可能地使用这些工具。这些工具让事情简单多了，比如这个例子 [1]。
熟悉Hadoop的子项目
HBase、Zookeeper [32]、Hive [33]、Mahout 等。这些项目可以储存或读取数据，而且他们可扩展。
了解高级信号处理的技术
特征提取是机器学习最重要的部分之一。如果你的特性提取得不好，那不论你使用什么算法，性能都不会好。根据具体情况，你可能可以应用一些很酷炫的高级信号处理算法，比方说 wavelets[42]、shearlets [43]、curvelets[44]、contourlets [45]、bandlets [46]。了解并尝试应用时间-频率分析方法 [47]。如果你还没有了解傅里叶分析和卷积的话，这些东西也值得学习。后面提到的这俩是信号处理的基础知识。
最后，尽量多练习、多阅读。有空的时候可以读读像 GoogleMap-Reduce [34]、Google File System [35]、Google Big Table [36]、The UnreasonableEffectiveness of Data [37] 上的论文。网上也有很多关于机器学习的好书的免费资源，这些也应该多读。[38][39][40] 我找到了一个很好的课程，并且在转发到Github了 [41]。与其直接使用开源的扩展包，不如自己写一份并且对比结果。如果你能从头写一个支持向量机，你就会明白像支持向量、gamma、cost、hyperplanes 等的概念。载入数据并开始训练并不难，难的是理解这所有的概念。
前文提到的参考链接：
[1] http://radar.oreilly.com/2011/04…
[2] http://numpy.scipy.org/
[3] http://www.r-project.org/
[4] http://hadoop.apache.org/
[5] http://hadoop.apache.org/common/…
[6] http://en.wikipedia.org/wiki/Nai…
[7] http://en.wikipedia.org/wiki/Mix…
[8] http://en.wikipedia.org/wiki/Hid…
[9] http://en.wikipedia.org/wiki/Mea…
[10] http://en.wikipedia.org/wiki/Sup…
[11] http://en.wikipedia.org/wiki/Con…
[12] http://en.wikipedia.org/wiki/Gra…
[13] http://en.wikipedia.org/wiki/Qua…
[14] http://en.wikipedia.org/wiki/Lag…
[15] http://en.wikipedia.org/wiki/Par…
[16] http://en.wikipedia.org/wiki/Sum…
[17] http://radar.oreilly.com/2010/06…
[18] http://aws.amazon.com/ec2/
[19] http://en.wikipedia.org/wiki/Goo…
[20] http://mahout.apache.org/
[21] http://incubator.apache.org/whirr/
[22] http://en.wikipedia.org/wiki/Map…
[23] http://hbase.apache.org/
[24] http://en.wikipedia.org/wiki/Cat…
[25] http://en.wikipedia.org/wiki/Grep
[26] http://en.wikipedia.org/wiki/Find
[27] http://en.wikipedia.org/wiki/AWK
[28] http://en.wikipedia.org/wiki/Sed
[29] http://en.wikipedia.org/wiki/Sor…
[30] http://en.wikipedia.org/wiki/Cut…
[31] http://en.wikipedia.org/wiki/Tr_…
[32] http://zookeeper.apache.org/
[33] http://hive.apache.org/
[34] http://static.googleusercontent…
[35]http://static.googleusercontent…
[36]http://static.googleusercontent…
[37]http://static.googleusercontent…
[38] http://www.ics.uci.edu/~welling/…
[39] http://www.stanford.edu/~hastie/…
[40] http://infolab.stanford.edu/~ull…
[41] https://github.com/josephmisiti/…
[42] http://en.wikipedia.org/wiki/Wav…
[43] http://www.shearlet.uni-osnabrue…
[44] http://math.mit.edu/icg/papers/F…
[45] http://www.ifp.illinois.edu/~min…
[46] http://www.cmap.polytechnique.fr…
[47 ]http://en.wikipedia.org/wiki/Tim…
[48] http://en.wikipedia.org/wiki/Fou…
[49 ]http://en.wikipedia.org/wiki/Con…
