A maioria dos desenvolvedores atualmente tem, de alguma forma, ouvido falar sobre a necessidade do uso de aprendizagem de máquina, e ao tentar encontrar uma forma "fácil" para aprender a utilizar esta técnica, fica assustado com os conceitos existentes e o alto nível de abstração para termos, como: regressão, aprendizagem não supervisionada, função densidade de probabilidade e muitas outras definições sobre este assunto.
Por outro lado, ao tentar aprender algo por meio de livros, como: Uma Introdução à Estatística - Aprendendo com Aplicações em R ou o Aprendizado de Máquina para Hackers, estes livros utilizam a linguagem de programação R em seus exemplos.
No entanto, R não é realmente uma linguagem de programação em que se escreve programas para o uso diário como é feito por exemplo com Java, C#, Scala, entre outros.
Mike de Waard, desenvolvedor na Adecs Airinfra, especializada em soluções para aeroportos, mantem um site com um conteúdo detalhado sobre Aprendizado de Máquina utilizando Smile e direcionado à desenvolvedores.
Smile é uma biblioteca de aprendizado de máquina que pode ser utilizada tanto com Java como com Scala. Estas por sua vez, são linguagens de programação que a maioria dos desenvolvedores já viu pelo menos uma vez durante o seus estudos ou carreira.
A primeira seção do site apresenta "Uma ideia global sobre aprendizado de máquina" e contém todos os conceitos e noções importantes que são necessários conhecer para iniciar com os exemplos que estão descritos na seção "Exemplos práticos".
Os exemplos práticos são inspirados nos exemplos do livro Aprendizado de Máquina para Hackers. Além disso, o conteúdo do livro Machine Learning in Action foi também utilizado para fins de validação.
É importante destacar que em todo o site, várias definições são direcionadas para sites com explicações mais detalhadas, caso o leitor queira se aprofundar um pouco mais sobre o tópico, mas não é uma restrição caso o leitor deseje apenas seguir os exemplos descritos no site.
Após ler a seção Uma ideia global sobre aprendizado de máquina o leitor será capaz de identificar em quais situações aplicar classificação, regressão ou problemas de redução de dimensionamento.
Um dos objetivos é fazer o leitor entender o conceito básico de aprendizado de máquina, o que é um modelo, e estar ciente de algumas das armadilhas comuns existentes nesta área.
Ao trabalhar com os exemplos práticos, o leitor será capaz de usar algorítimos K-NN, classificação Naive Bayes, e regressão linear além de ser capaz de executar regressão textual, mesclar recursos usando Análise de Componentes Principais e utilizar Máquinas de Vetores de Suporte, e por último, construir o próprio sistema de recomendação.