機器學習知識體系

隨着2016年Alpha Go在圍棋擊敗李世石，2017年初卡內基梅隆大學人工智能系統Libratus在長達20天的鏖戰中，戰勝4名世界頂級德州撲克玩家，這標誌着人工智能技術又達到了一個新的高峯。人工智能已經再也不是在各大公司幕後提供各類智能推薦、語音識別算法的工具，它已經慢慢走向臺前進入到日常百姓的視野之中。曾經有人描述人工智能就向一列緩緩開向人們的火車，一開始很是遙遠並且看起來很是緩慢，它慢慢接近，直到人們清楚看到它的時候，它已經呼嘯而過，把人遠遠拋在身後。如今彷佛就是人們能夠遠遠看到人工智能的時候，它已經發展數十年，但直到最近才引發普遍注意，隨着大數據的積累、算法的改進、硬件的提高，人工智能能夠在不少細分的領域成爲專家，輔助人類甚至超過人類。

做爲一名初學者，我也是剛剛接觸人工智能和機器學習，但願可以和你們共同窗習。接觸一個領域的第一步是儘快的瞭解全貌而且搭建出相應的知識體系。大體提綱以下（後續不斷補充）：

 

1 - 數學

線性代數、微積分

在整個機器學習過程當中涉及大量矩陣運算和微積分導數的概念，所以建議初學者至少要有較爲紮實的數學基礎，對矩陣和微積分的概念瞭解比較清楚。不然在一些公式推導過程當中會遇到較大障礙，而不斷反覆回來複習數學知識。

 

2 - 編程語言

Python/R/Java/Matlab   7 Steps to Mastering Machine Learning With Python

Python已經成爲機器學習的第一語言，至於爲何 知乎中有很是不錯的解釋。衆多機器學習的框架都支持Python API，因此學習機器學習，Python語言語法估計是繞不過去。

 

3 - Supervise learning

Linear regression： 機器學習知識體系 - 線性迴歸

Logistic regression：  機器學習知識體系 - 邏輯迴歸

Neural network： 機器學習知識體系 - 神經網絡（基礎）   機器學習知識體系 - 神經網絡（反向傳播算法）

SVM:  SVM支持向量機  SVM支持向量機   SVM - Understanding the math

監督學習指的是人們給機器一大堆標記好的數據，好比一大堆照片，標記出哪些是貓的照片，哪些不是，而後讓機器本身學習概括出算法，能夠判斷出其餘照片是不是貓。目前這個領域算法表明：Linear regression, Logistic regression, Neural network, SVM等等。 

 

4 - Unsupervise learning

K-means:  深刻淺出K-Means算法

PCA:  主成份分析算法 PCA

Anomaly detection:  異常檢測

非監督學習指的就是人們給機器一大堆沒有標記的數據，讓機器能夠對數據進行分類、檢測異常等。

 

5 - Special topic

Recommend system

Large scale machine learning application

一些特殊算法，例如推薦系統。經常使用於購物網站，能夠根據你的過往購物或評分狀況，來向你推薦商品。

 

6 - Advice on machine learning

Bias/vairance:  Understanding the Bias-Variance Tradeoff

Regulation

Learning curve

Error analysis:  Accurately Measuring Model Prediction Error

Celling analysis

機器學習的建議，包含參數正則化、學習曲線、錯誤分析、調參等。

 

7 - Deep Learning

Neural Netwotk

深度學習是近期機器學習的一個熱門分支，模擬人類大腦的思惟方式，能夠極大的提升正確率，是近來機器學習的一個很是大的突破。

CNN： 卷積神經網絡全面解析    零基礎入門深度學習(4) - 卷積神經網絡

8 - Tools/Framework

TensorFlow/Theano/Keras

不少大廠就開源了一些機器學習的框架，基於這些框架能夠很容易搭建機器學習的平臺。

TensorFlow and Deep Learning without a PhD, Part 1  

TensorFlow and Deep Learning without a PhD, Part 2

 

推薦的學習資料：

Github上面有一份很是詳盡的 學習路徑  awesome-deep-learning 

 

我我的推薦的幾個經典資料：

 

機器學習 

Andrew NG的Coursera的 機器學習入門：這個教程很是適合初學者，沒有很高深的數學推導，Andrew也是業內大牛但很是謙遜，講解很是淺顯易懂。

Neural Networks for Machine Learning by Geoffrey Hinton in Coursera (2012)

周志華的 機器學習：號稱最好的中文機器學習入門，這裏有對這本書的 詳細評價。

幾本經典著做： An Introduction to Statistical Learning， Pattern Recognition and Machine Learning， The Elements of Statistical Learning

 

深度學習

Neural Networks and Deep Learning： Michael Nielsen用很是淺顯易懂的方式介紹了神經網絡和深度學習，而且提供了一個手寫數字識別的例子，很是適合入門。

UFLDL Tutorial I  UFLDL Tutorial II：Andrew NG主導的Deep Learning的學習資料，內容很是精煉，適合稍微有些基礎的同窗。

Deep Learning: 幾位大神共同編寫的關於深度學習的free book。

零基礎入門深度學習：一位大神寫的關於深度學習的入門教程，由淺入深的詳細介紹了深度學習的幾個重要內容，很是適合入門的學習。

Convolutional Neural Networks for Visual Recognition - Stanford by Fei-Fei Li, Andrej Karpathy (2015)

Convolutional Neural Networks for Visual Recognition - Stanford by Fei-Fei Li, Andrej Karpathy (2016)

Deep Learning Course by Yann LeCun (2016)

 

從人工智能到機器學習，再到最近大熱的深度學習，人們已經在這個領域研究了數十年，如今雖然取得必定的突破，可是離真正的人工智能還有很是長的距離。並且人工智能必定要跳出學術界的研究框架，結合工業界的應用，從2016年能夠看到大量的實際應用場景，例如自動駕駛、Apple Siri、Amazon Echo、谷歌翻譯等等，我相信將來人工智能領域極有可能成爲下一代顛覆性的技術革命。

 

有興趣同窗能夠關注微信公衆號奶爸碼農，不按期分享投資理財、IT相關內容：