為什麼要學習機器學習，近幾年來世界吹起了一股機器學習的旋風，甚至像Microsoft、Google等大公司也紛紛來台灣設立AI中心，甚至連鐵人賽都開了一個AI&Data的分類，撇開機器學習在世界的熱門程度，我認為最重要的是他非常的「好玩」，在學生時代時，我曾經使用一些超啟發式演算法來演算當時在玩的遊戲，那種開發程式、創造出一些什麼的心情，是我寫程式的原點。

談到機器學習，大概都會直接聯想到Python、R等相關的語言，尤其是Python裡有太多關於機器學習的工具、函式庫，像是Anaconda、Tensorflow、SciKit、Theano等耳熟能詳的函式庫，這些函式庫擁有強大的功能，可以很快速地透過API去使用各種機器學習的演算法，還能輸出漂亮的視覺化成果，十分方便、簡潔、有力，但也因為太方便了，使用上往往會造成「知其然而不知其所以」的狀況，對於演算法的細節不夠了解。

受益於近期人工智慧、機器學習技術的爆發，網路上充斥著大量機器學習的資源，因此，期望可以透過這次的鐵人競賽，由淺入深，挑選9-10種機器學習的演算法，首先了解演算法的概念、流程，接著以C++實作這些演算法，最後透過一些簡易的函式以及資料來驗證演算法的表現。

我在本系列文章僅使用C++語言，是希望透過C++靜態強型別的特性，雖然在程式上不像Python、JavaScript等高階語言方便，但型別的規定可以使程式碼更具有可讀性，也能對機器學習演算法提供較好的效能，並且在未來或許可以進階使用OpenMP、OpenCL等平行運算技術，加速演算法的執行效率。

最後，小弟我也是初入機器學習的領域，若有任何的指教和意見，歡迎在底下與我討論，另外比較可惜的事情是原先區公所預測大約11月會入伍當兵，前幾天接到電話要求10/4入伍，本系列文章只能在九月時盡量寫，在10月中時請朋友代po。若鐵人賽中斷、尚未寫完的部分會在當兵時或退伍後補完，這點深感抱歉。

參考資料：
Top 15 Python Libraries for Data Science in 2017