机器学习批量更新和在线更新的区别
不知道你说的平台指的是什么，机器学习牵涉到很多数学算法，所以一般能提供丰富数学算法的平台比较好，语言的话R，Python都不错，Fortran不知道是不是也可以，matlab当然是比较经典了，另外就是运算量比较大，所以可以用硬件（比如显卡或dsp）加速的平台会更好，而hadoop等分布式计算平台可能倒未必有利。望采纳
学习机械工程力学需要数学及物理基础吗？
需要的 本人就是机械自动化专业
数学运算很复杂的 但是用matlab 会变得很简单
对物理力学 材料力学的要求更高 要会分析运动过程 受力情况
机构的设计都需要用到数学力学知识
请采纳！谢谢
数学成绩不高能否选择数据科学与大数据技术专业？
我从专业学习和实践这两个方面来回答一下这个问题。
首先，专业的难易程度是一个相对概念并不是一个绝对概念。
如果选择的专业跟自己的能力特点相契合，那么就会感觉这个专业相对比较简单，但是如果选择的专业与自己的能力特点不匹配，甚至恰好是自己的短板，那么就会感觉到较大的学习难度。
大数据专业是一个典型的交叉学科，涉及到数学、统计学和计算机这三大学科，同时还涉及到经济学、社会学、教育学等一众学科，所以整体的知识量还是比较大的，这就要求本科生要做好学习规划，要有一个自己的主攻方向和侧重点，否则容易导致学得杂而不精。
大数据专业整体的知识结构围绕数据价值化来展开，而数据价值化目前主要的方式就是进行数据分析，包括统计学方式和机器学习方式，这两种方式都需要具有一个扎实的数学基础，对于数学的要求是相对比较高的。
从这个角度来看，如果自己并不擅长数学，选择大数据专业还是应该慎重一些，虽然大数据领域还有很多岗位对于数学的要求并不高，但是毕竟在学习期间，很多课程是绕不过去的，这会导致较大的学习压力。
目前大数据专业主要在两个学院开设，一个是计算机学院，另一个是数理学院，对于在数理学院的同学来说，数学比较差是一件痛苦的事情，这也会导致很多实践活动无法参加。
从实践的角度来说，大数据专业本身对于实践场景的要求是比较高的，需要有大量的数据来源，同时还需要有较强的算力来进行数据分析和处理，所以建议选择在学科实力和整体实力相对比较强的学校就读。
如果本身的成绩不能进入到传统强校就读，那么选择计算机科学与技术专业，或者是软件工程专业则更为稳妥一些。
最后，如果有计算机专业相关的学习和实践等问题，欢迎与我交流。
机器学习好难怎么学？有什么能快速入门的好书吗？
首先学习机器学习必须有扎实的数学基础和算法基础，要想吃透其思想没有捷径可以走，只能踏踏实实的学习，不然南京大学成立的人工智能学院怎么开了那么多门的数学课？比如高等数学、线性代数、概率论与数理统计、泛函分析、运筹学（注意不是诸葛亮运筹帷幄的那个兵法，是数学的分支，你如果理解为奇门遁甲得原理和数学相通的，这个是没问题的）、算法设计等等，据说985的大学生也学的头疼，其实我觉得不管什么样的好学生，认识事物都是从感性到理性的过程，不可逾越，能够逾越的，都是从小各种环境就好，985大学生学起来吃力说明课程安排和时间安排有问题，我是做大学生工作的，对955同学也很了解，就是他们太忙了，一上大学手头的名目太多了：什么考研、第二学历、托福等。不说这些了，那么初学者机器学习想入门到底有没有捷径可走？答曰：有，前提是你肯专研，这可不如web前端、JAVA语言之类的入门容易，按照我说的步骤做法如下：
1、你连初高中的数学都不扎实的，多补习，多做数学题
因为有些算法初高中的数学就能解决，比如协同过滤算法里面求相似度：你可以用欧式距离求，欧式距离不会？那你还不复习和补习？初中学的。可以用余玄函数求解，这个是初中知识吧？
当然也可以用大学学的方差、相关系数求解，忘了？可以百度，大学生应该有自学能力吧（由于分数低的200～450分的不算，当然也有好的，我们这里不谈小概率事件，大家也别喝毒鸡汤：什么某某学历不好，但是什么什么云云，下同）？
2、你可以借助于计算框架先入门
机器学习计算框架比如JAVA语言的mahout、python语言的机器学习库（一般来说是sklearn），Scala语言的MLib。比如决策树算法就被python封装的很好。
基础不好，借助于框架也是没办法的事情，先入门体验，再学原理。值得注意的是：不可以只会框架，不懂原理和推导步骤，这样只会表面东西没什么用。
我的学生我直接要求使用代码实现诸如Apriori算法、决策树算法等，我不让他们用框架，那是害他们，什么时候用框架？对了，工作时候用，因为工作和学习不一样，工作追求效率，学习追求原理。所以很多社会上拿python来忽悠的，大多数为学艺不精或者不学无术者来误人子弟，大家一定善于辨别，别入坑。
3、要有不断学习和钻研精神
急功近利的人学不好机器学习，更别指望靠它创新设计出来新的数学模型。比如SVM支持向量积算法涉及到的知识有凸优化、拉格朗日乘数法、空间几何等知识，很多机器学习的书本写到这个算法就寥寥几笔带过，因为没法写了，要写光这个算法就写好几本书？那怎么办，我们大家要有钻研精神。
机器学习算法工程师工资是高，甚至月薪10万以上很正常。但是你和面试官说我会python机器学习，面试官必然问的深入，这时候你就会表面东西肯定和高薪无缘，不是不用你，你可以做数据、调参数。
所以我们浮躁不得，更不能有传统思想：靠简单的游戏规则赚大钱，因为现在资本家投资越来越理性，野蛮增长日子一去不复返。更重要的你不爱机器学习，它就不爱你，你目的不纯（只向钱看）它更让你难受。所以要学机器学习务必有钻研精神。
至于入门的书有没有？答曰：有，列举如下：
1、《白话大数据与机器学习》
这本书优秀高中生就能看懂，这已经是最低要求了。作者：高扬，一位务实的专家。
这本书将涵盖以下比较重要的数据挖掘和分析知识点：概率、统计和分布、多维向量空间、回归、聚类、分类、关联分析、协同过滤、文本挖掘、神经网络。同时，讲解了大数据相关的人才需求、行业情况、大数据变现与产品发布、系统调优等读者需要了解的内容。
2、《白话深度学习与TensorFlow》
本书写的很人性化，作者还是高扬等，这里感谢开发公司的架构师们百忙之中还为初学者着想。
本书适用于零基础的初学者：
（1）基础篇（靠前～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。
原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过大量示例、推理与实现，帮读者优选化降低学习曲线。
（2）扩展篇（第9～13章），介绍一些网络的变种和一些较新的网络特性，涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习，这是读者进一步学习与实践思路的钥匙。很后给出了一些有趣的深度学习应用：人脸识别、作诗姬、大师风图像处理，有趣又等
最简单的语言是Python。最好的基础是数学。最流行的框架是tensorflow。希望能帮到你。
