新手學機器學習一個月後，一些第一手乾貨分享

機器學習這個領域很大，大致思想為讓機器探索已知數據集的規律進而完成一些預測任務，比如將上市公司的數據量化，建模，進而對其股價進行一個預測。其分支有：

• 監督學習：已知數據屬性，進行預測；

• 非監督學習：未知數據屬性進行預測，1歲小baby看到貓狗不知道成人對其的定義，但是他可以分辨貓狗不一樣；

• 增強學習：有交互的模型，根據模型做出的行為做出獎勵或懲罰，引導其做出正確的事。比如：你想教狗只能在某種地方小便，它在其他地方做出該行為你就打它，符合你預期就給它顆糖吃，它就乖了。

我在Udacity這一個月學的主要是監督學習，這也有很多種演算法，易於實現的如Logistic回歸：Logistic Regression 模型簡介， 決策樹，高斯樸素貝葉斯 等。也有精通調參可以出神入化的SVM。還有一些集成的模型，如隨即森林，梯度提升樹，Adaboosting等。這些集成模型在競賽中出鏡率很高，有非常高的準確率和較好的適應性（Robustness，適應性差就好比一個人只會做自己老師出的題，甚至可以做滿分，但高考就GG）。

期間還學了一些數據的處理，好的模型離不開特徵工程，去除原始數據集的雜質，構建更利於描述的規律，可以極大的幫助建模後的準確率。具體可以看劉帝偉大神說的：機器學習之特徵工程。PCA技術的數學原理可以參考CodingLabs - PCA的數學原理。

雖說做項目也要參照一些課外資料，但Udacity的項目審核還是很到位的，會有不少tips從不同角度解答，理解更深刻。過項目也會加入一個通關群，同一進度的學員可以相互交流，互相督促。還有個小班級群，會安排班級導師每2周找15分鐘時間溝通下學習情況。課程上以幾分鐘的短視頻為主，小練習為輔。一個視頻一個知識點，很適合利用碎片化時間看，有時也會停不下來，一口氣看完一小節。學習路線設計循序漸進，對學生的引導非常好，對機器學習感興趣的同學可以體驗下Sebastian Thrun大佬教的這門免費課程機器學習入門（中/英）。想跨領域系統性的學習可以加入機器學習（進階）畢竟深度學習項目和畢業項目才是真正提升自己的地方。而且最後會指導完善簡歷，領英，github的資料，還有面試的一些技巧，人家的納米學位還是追求含金量的。

這裡斗膽對想進這個領域的未來工程師提一些建議：

• 學生黨最好利用你們身份的優勢去找相關的實習，有工資還能學技術！好羨慕你們~~
• 盡量別脫產學，因為這個領域想達到能為公司帶來效益的水準要花的時間不短，可以先利用碎片化時間學，多做項目，有機會去參加競賽，利用好github。每一點點的努力都會有收穫的！
• 對於財務自由想多學技術的大佬，我只能說2個字：牛X！

國內就業情況根據拉鉤與boss直聘的數據看要求還是很高的，一般來說都要求碩士，技術上關係/非關係型資料庫都要會（sql，mongodb），大數據相關要會一些（spark，hadoop），再來就是相應的演算法能力，現在深度學習流行，所以tensorflow會的話更吃香。工作經驗上最好有個2年數據或演算法相關的工作經歷。唉。。。說多了都是淚~咳咳，奮鬥吧！多少歲都不晚。

附上幾個tips：

• 最好科學上網
• python還是要學點的，最近發現了個不錯的網站SoloLearn: Learn to Code(APP體驗也好)
• 線性代數與微積分可以上youtube搜MIT的課程（可以快放）
• LeetCode是個不錯的刷題網站
• Evernote，Chrome，google翻譯是3個很好應用

推薦閱讀：