『A 』關於Python機器學習，一套無敵的體系是怎樣的？

07-29

人工智慧、機器學習現在被吹的這麼火（實際上也蠻厲害的），越來越多的小伙要加入到這個大家庭中來啦，那麼最大的問題也就隨之而來了，如何學習人工智慧呢？萬事開頭難，如何走第一步十分關鍵，學習的成本現在來說還是蠻高的，我們不可能一味廣泛的學習而不去賺錢嘛！下面咱們就來說說當下最合適的學習規劃！

好多問題呀，大家的問題可能更多，咱們重點關注於：

（1）語言如何選擇?（2）該從哪裡開始？學什麼？怎麼學？（3）演算法就要涉及到數學啦，怎麼辦呀！（4）學了之後怎麼用？案例怎麼做？

No1. 語言的選擇肯定是Python無疑了，為什麼？

人生苦短…這句我就不說了，最主要的原因在於大家都在用，公司里你的同事和老大都用Python玩數據建模型，你難道還敢不用嗎！（說白了，我一天能幹完的活我要花兩天嗎？當然不需要的！）具體來說：

1.難度：有任何語言基礎學習Python你會覺得簡單到家了

2.實用性：能用一行代碼，何必用十行呢？

（我們的定位通常都是工程師，而非科學家，能幹活更重要）

3.Python工具庫：這些簡直太多了，基本上你能想到的現在都有了

（我們常用的：Numpy，Pandas，Matplotlib，Scikit-Learn，Tensorflow）

4.廣泛性：大家都在用，各大公司開源工具庫都有Python介面，並且都是主流，我們實際幹活很大程度上都是使用這些庫來幫助我們完成任務。

No2. Python應該如何學習？

1.有其他語言基礎：簡單過一遍語法，直接上手應該沒有什麼問題

2.第一門語言：初級內容邊學邊寫，高級內容暫時不需要

（我覺得語言只是一門工具，不需要先都學徹底了才能幹活，邊做事邊學習應該會加深理解，忌光看書不練習）

3.Python這麼多庫，這麼多函數，我需要都記下來嗎？

（其實這些依舊是工具，記它幹嘛？我覺得重點在於知道每個庫能做什麼，大概用哪個函數，等實際用的時候還是需要查一查API的，這麼多參數都記下來太不符合實際，動手查的能力也很重要！）

學習是一件苦事，但是也得按照合適的方法，這些都是我的個人建議，大家可以參考，總的來說，我覺得語言知識一門工具，邊用邊學是最好的方式，千萬不要花幾個月先學個Python再去用，這樣等你用的時候也忘的差不多了！

No3. 人工智慧我該怎麼學呢？

人工智慧聽著這麼牛的一個詞，那到底該怎麼學呀？這個圈子太大了，但是基礎是不會變的就是我們的機器學習，它是咱們後續學習的保障也是最核心的內容了！人工智慧的大家庭中有很多比較高大上的詞，這些雖然很牛，但是核心都離不開機器學習的！具體來說：

1. 人工智慧是一個很大的圈子，但是基礎必然是機器學習。

2. 什麼是機器學習呢？說白了就是你告訴機器你想做什麼？並且給它一堆數據讓它模仿著去做！

（比如，咱們上高中，老師會告訴我們一個目標就是考高分，然後給我們一堆練習冊和答案，我們的目的就是讓我們做的題的解和答案一致並且在高考中獲得良好的表現）

3. 機器學習需要學什麼？演算法、數據、程序、評估、應用。

No4. 機器學習能做什麼？

機器學習在數據挖掘、圖像識別、語音和自然語言處理中有著廣泛的應用。

機器學習能做的就太多了，數據處理分析，圖像識別，文本挖掘，自然語言處理，語音識別等等。各大公司也是越來越注重這方面啦，都在比技術！應用面還在慢慢拓展，越來越多的公司開始重視機器學習的作用啦！

No5. 機器學習的流程？

一個常規的機器學習套路：

1.數據搜集與預處理

2.特徵選擇與模型構建

3.模型評估與預測

機器學習處理任務的流程說起來還是比較簡單的（做起來你就知道了！），讓機器做事情你得有數據（非常重要）才行，選擇一個合適的機器學習演算法，讓它去學吧，學完之後我們評估搞定了就開始用吧！

No6. 機器學習我該怎麼學？

機器學習我該怎麼學呀？我覺得演算法與應用都是很重要的，很多人都忽略了演算法的推導，這對你之後的應用肯定是不利的，因為我們要做事情不能盲目去做，需要知道為什麼要這麼做！我最常說的一句話就是哪裡不會點哪裡（其實是廣告看多了），查找資料的能力也很重要，遇到問題了還是要及時解決。

1. 機器學習本質包含了數學原理推導與實際應用技巧。

2. 機器學習中有很多經典演算法，既然要學習，那就需要清楚一個演算法是怎麼來的（推導）以及該如何應用。

3. 數學重要嗎？非常重要的，大學的數學基礎即可，如果你都忘了，大致的印象還是有的吧，我覺得與其從頭學過一遍數學，不如邊學邊查，一個合適的做法就是哪裡不會點哪裡，我每天也在查很多知識點。

4.一定要學數學推導嗎？我會用不就可以了嗎？有句老話，不光要知其然還要知其所以然，這對我們的應用具有很大的幫助。對於在校的同學們，推導肯定是重中之重了，因為對於我們來說學習的目的就是轉換成自身的資本讓我們更有競爭力，面試與筆試的時候，這些推導全來了；對於在職兄弟，如果要轉行，讓你看數學你肯定要瘋的，重點在於如何應用庫的使用，完整項目如何構建，從頭到尾的流程。

No7. 現在很火的深度學習是什麼？

1.深度學習是機器學習中神經網路演算法的延伸，只不過應用的比較廣。

2.深度學習在計算機視覺和自然語言處理中更厲害一些。

3.那我學機器學習還是深度學習啊？一切的基礎都是機器學習，做任何事情沒有堅實的基礎只會越來越迷茫，機器學習值得你從頭開始。

深度學習現在太火了，那它是什麼呢？說白了就是機器學習的一個分支，建議大家還是先從基本的機器學習演算法開始，逐步過度到深度學習（很難一口吃成個胖子）。

No8. 機器學習怎麼動手去做？

1. 只有實際應用啦，才覺得沒白學，那麼去哪裡找案例呢？最好的資源：Github，Kaggle，各大資源分享點

2. 案例的積累作用很大，其實我們幹活是什麼樣的呢？主要就是在模仿，我們並不是科學家，能做事才能有用的，既然人家是這麼做的，並且做的不錯，那我們去模仿做出來的就是我們自己的！

3. 很少從頭開始去寫一個項目，通常都是按照之前的某種套路照搬過來，實際上大部分公司都這麼做，建議大家先學會模仿，再去創作吧！

案例資源怎麼找呢？Github上滿滿都是，Kaggle競賽提供了完美的環境，這些都是我們最常逛的地方啦！

獨學而無友，則孤陋而寡聞。自學的過程中如果能有導師的幫助、小夥伴的合作、社群的支持，那麼你的提升將會很快。那麼對於是否有一種快速提升的捷徑？

A: CDA A+Python機器學習工程師。本課程由CDA數據分析師人才教育品牌聯合美庫爾、GrowingIO、DataCastle等知名企業及數據界具備成熟項目經驗的大牛名師聯合打造，基於目前最火的編程軟體PYTHON，針對機器學習、數據挖掘、深度學習工程師崗位的一套系統性在線學習方案。

這門課程的特色是什麼？

本門課程為A+系列課程Python機器學習方向。A+學位不同於其他短期專題性或短視頻類課程。之所以叫學位，是因為這是一項學期化+體系化+考核化的長期學習項目，學員需要經過各個階段的學習和考核，並且完成期末項目實戰方可畢業。畢業後學員具有一定的學力專業稱號，標誌著學員學歷的頭銜。通過企業共同背書的聯名認證，可幫助學員找到更好的工作，提升更高的職業發展平台。具體課程來說，它擁有：

1. 垂直的專業深度。從Python的基礎編程、爬蟲技術、數據分析到數據挖掘、機器學習、深度學習以及計算機視覺與自然語言處理技術等垂直深入，紮實專業技能功底。

2. 橫向知識寬度。加入行業跨界知識與來自零售電商、互聯網、金融等領域的應用場景模塊，如「客戶分群精準營銷、信用風險管理、新聞文本挖掘、音樂推薦系統、情感分析、人臉識別、機器翻譯讓AI寫詩」等，引入更多的場景和前沿案例。

3. 縱上創新力度。突破傳統思維的局限和傳統數據分析的方法，加入目前最前沿的機器學習技術以及企業級大型項目案例，實戰最領先的成功應用，創新落地。課程體驗方面，A+學位課程更貼合學員在線碎片化學習的需求和習慣，加入在線練習功能和課後作業指導服務，為每一位立志於在數據科學領域有所建樹的學員提供完美、貼心的在線學習解決方案。

你可能想問，Python機器學習工程師主要學什麼？

第一階段：人工智慧必備Python基礎

學習使用Python編程基礎和基礎庫的使用。你將了解Python的數據類型，學會使用變數存儲數據，掌握使用內置的函數和方法以及函數的使用。

第二階段：機器學習必備數學基礎

線性代數和高等數學是機器學習的基礎。在這一部分中，你講從零基礎開始學習線性代數中的向量以及交點知識和實現向量的基本操作。

第三階段：機器學習必備統計學基礎

學習統計學的概率論基礎、統計量與抽樣分布、計算描述性統計數據、參數估計、假設檢驗和方差分析。培養學員基礎的統計鑒定思維和能力。

第四階段：Python數據分析與可視化技術

學習使用Python了解數據分析的主要步驟，運用Python和Pandas處理多個數據集；並通過數據分析實戰案例，學習使用Numpy，Pandas，Matplotlib進行數據清洗、探索、分析和可視化。

第五階段：機器學習入門演算法及案例實戰

在這裡，你可以學習到機器學習的基礎知識，並了解一些入門的機器學習可以完成的任務，如分類和回歸問題，演算法涉及回歸分析、聚類與降維分析、貝葉斯演算法、決策樹演算法等，並結合案例實操。

第六階段：機器學習進階演算法及案例實戰

你會學習到前言和進階的機器學習演算法，比如EM演算法、推薦系統、支持向量機、時間序列、Xgboost演算法。並結合案例實操。

第七階段：深度學習入門

深度學習是當今世界上最火熱的一類機器學習方法，在許多領域中甚至超過了人類的能力。在這一部分課程中，你將學會使用Tensorflow，並且學習卷積神經網路等知識。

第八階段：計算機視覺與自然語言處理

自然語言處理是計算機科學領域與人工智慧領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。本階段我們將使用Python實作案例來體會自然語言處理的魅力。

第九階段：數據挖掘實戰案例

案例式的學習實際上是本課程的特色之一，幾乎在全程的教學中我們都會穿插案例來講解與實際操作。這裡我們將介紹一些各行業大型的數據挖掘案例，如京東用戶購買意向預測、房價預測案例、股價時間序列預測、電力敏感用戶分析。

第十階段：深度學習、機器學習大型案例

本章我們將接觸到一些有意思的深度學習案例，如人臉檢測、讓AI自己寫詩、LSTM情感分析、對抗生成網路、文本分類任務等。