機器學習：從入門到晉級

 

目前，人工智能（AI）很是熱門，許多人都想一窺究竟。若是你對人工智能有所瞭解，但對機器學習（Machine Learning）的理解有不少的困惑，那麼看完本文後你將會對此有進一步深刻理解。在這裏，不會詳細介紹機器學習算法的基本原理，而是經過將比較有意思的視頻（YouTube）和文字相結合，逐漸增長對機器學習基礎的理解。

當看到本文時，請坐下來放鬆一下。由於下面的這些視頻須要花費一點時間，但看完視頻後，你確定會被吸引繼續閱讀下去。此外，當閱讀完本文後，你應該會對如今最熱門的技術——機器學習有了全面的知識基礎，並對此產生學習熱情，最終能學到什麼程度徹底取決於我的的努力，本文只是一塊敲門磚。

爲何機器學習如今如此熱門

人工智能老是很酷，從科幻電影到現實中的阿法狗、聊天機器人等，一直吸引人們的關注。長久以來，人們認爲人工智能一直圍繞着程序員對某些事情應該如何表現的功能性猜想。然而，程序員並不老是像咱們常常看到的那樣對人工智能編程一樣有着天賦。正如咱們常常看到的那樣，好比谷歌「史詩遊戲失敗」中在人工智能、物理、有時甚至是經驗豐富的人類玩家中都存在有過失。

不管如何，人工智能有一種新的天賦——經過該項技術，咱們能夠教電腦玩遊戲、理解語言、甚至識別人或物。這個只顯露冰山一角的新技術來源一箇舊的概念——機器學習，直到最近幾年，它纔得到了理論以外的處理能力，這源於數據量的爆炸、計算機性能的提高以及算法理論的突破。

經過人工智能這項技術，咱們再也不須要人爲地提出高級算法，只須要教會計算機本身來提出高級算法便可。

那麼這樣的事情是如何實現的呢？機器學習算法並無真正被相似於程序員編程那樣進行編寫，而是自動生成。觀看下面這個簡短的視頻，該視頻爲建立人工智能的高級概念提供了出色的註釋和動畫。

是否是一個很瘋狂的處理過程？而且，當算法完成後，咱們甚至沒法理它，它就像一個黑匣子。好比，該項技術應用於視覺領域中是用人工智能玩馬里奧遊戲。做爲一我的，咱們都知道如何躲避障礙物和吃金幣，但人工智能識別所產生的預測策略是瘋狂的，見下面的視頻：

是否是很吃驚？看完上述視頻後，咱們的問題是對機器學習不瞭解，而且不知道如何將它與電子遊戲聯繫起來。

爲何要使用機器學習？

關於爲何要關心機器學習，這裏有兩個很好的答案。

• 首先，機器學習使計算機能夠作到計算機之前不能實現的事情。若是你想嘗試一些新事物，或者不只僅是新事物，而是影響全世界，你均可以用機器學習來完成。
• 其次，若是你不影響世界，世界將影響你。

       如今，不少大型公司在機器學習上投入了不少的研發和投資，咱們已經看到它正在改變世界。思想領袖警告咱們不能讓這個新的算法時代存在於公衆視線以外。想象一下，若是一些企業巨頭控制着互聯網，若是咱們不掌握這項武器，科學的真理將不會被咱們佔據。Christian Heilmann在他關於機器學習的談話中說得很好：

「咱們可以但願其餘人善用這種力量。對於我的而言，不要認爲這是一個好的賭注。我寧願玩，也要參加這場科技革命，你也應該參與。」——Chris Heilmann的機器學習談話視頻

對機器學習感興趣

機器學習這個概念頗有用並且很酷，上述內容讓咱們比較抽象地瞭解了它，但機器學習算法究竟發生了什麼？它是如何運做的？咱們還不是很清楚。

若是你想直接進入到理論研究，建議你跳過這一部分繼續下一個「如何開始」部分。若是你有動力成爲機器學習的實幹者，那麼就不須要看下面的視頻了。若是你仍然試圖瞭解機器學習多是什麼，下面的使用機器學習完成數字手寫體識別的視頻很是適合引導讀者創建一種機器學習的邏輯：

是否是很酷？該視頻顯示每一個層變得更簡單，而不是變得更復雜。就像函數將數據分解成較小的部分同樣，以抽象的概念結束。你能夠在該網站（Adam Harley）與此流程進行交互。

此外，機器學習的經典實例之一是1936年的鳶尾花數據集。在參加JavaFXpert的機器學習概述的演示中，我學會了如何使用工具來可視化調整和反向傳播神經網絡上神經元的權重。可視化過程可讓咱們看到它是如何訓練神經模型。

使用Jim可視化工具訓練鳶尾花神經網絡

即便你不是一個Java愛好者，Jim提供了一個1.5小時的機器學習概念介紹也是比較有用的，其中包含上述許多例子的更多詳細信息。

這些概念使人興奮，你準備好成爲這個新時代的愛因斯坦嗎？機器學習算法天天都在發生突破，因此如今就開始吧。

如何開始？

目前，網絡上有大量的資源可用。首先，應該訂閱一些時事通信、技術博客、微信公衆號，以保持我的知識的滾動。好比medium、愛可可-愛學習、雲棲社區等。
至於如何進行深刻學習，我推薦下面兩種方法：

從頭至尾擰完n顆螺栓

在這種方法中，將須要你全面瞭解機器學習算法和相關的數學知識。我知道，這種方式聽起來很難完成，但要想真正地瞭解算法細節，就必須從頭開始編碼實現。

若是你想成爲機器學習中的一員，並在核心圈中佔據一席之地，那麼這就是你的選擇。我建議你試試一些公開課app（好比，course、Brilliant.org），並參加人工神經網絡課程。經典的網絡課程主推Andrew Ng 老師的機器學習課程以及周志華老師的書籍等。

在學習的同時，能夠完成對應的線下做業。經過完成對應的做業，會進一步加深對知識的理解，由於這些做業並不簡單。但更重要的是，若是確實完成了這項工做，你將對機器學習的實施有進一步深入的理解，這將使得你以新的和改變世界的方式成功地將其應用到對應的場景中。

快速上手

若是你對編寫算法並不感興趣，但仍想要使用它們來建立一個使人驚歎的網站/應用程序，你應該跳轉到學習TensorFlow和對應的速成課程。

TensorFlow是用於機器學習的開源軟件庫。

若是選修課程不適合你的學習方式，那你仍然是很幸運的。現在沒必要學習機器學習的細節就能夠掌握如何使用它。此外，還能夠經過多種方式有效地機器學習做爲服務成爲技術巨頭。

數據是這項技術很重要的原材料，若是你的數據比較合適，那麼使用機器學習建模多是最佳解決方案。不管是使用機器學習中的哪種算法，如今就開始吧。

成爲創造者

我要對全部上述的人和視頻說聲謝謝，它們是我學習機器學習起步的靈感，雖然我在該領域仍然是個新手，可是當咱們擁抱這個使人敬畏的時代時，我很高興爲他人指明一條學習道路。

若是你想學習這門技術，就必須與機器學習領域的研究者有所聯繫。沒有友好的面孔、回答和討論，任何事情都將變得很難。通常技術圈的人都是比較熱心腸的，遇到問題先google，找不到答案就諮詢圈內人，相信會有友好的同行給出友好的建議。

我但願這篇文章能激勵你和周圍的人學習機器學習，我也很樂意和你一塊兒尋找酷炫有趣的機器學習代碼，但願本文對你有所幫助。

 

原文連接本文爲雲棲社區原創內容，未經容許不得轉載。