Gitchat上的機器學習入門

來自專欄機器學習演算法與自然語言處理19 人贊了文章

本文其實是一個不成廣告的廣告，在一個學校分享群里看到 GitChat 平台上有個關於「機器學習」的入門課程，設計還算不錯。作者是來自微軟的高級工程師。

如果讀者們感興趣可以看看下面這個課程的開篇詞。

李燁 的達人課?

gitbook.cn

一、課程背景

首先，我們來看一下當前機器學習領域招聘市場的行情。

上面表格中所有帶有「演算法」、「人工智慧」、「數據挖掘」、「視覺」字樣的職位，都需要懂機器學習。

在產品和服務中應用機器學習模型，已經逐步成為了互聯網行業的通行方法。甚至很多傳統軟體企業，也開始嘗試應用機器學習。說得更直接一點，人工智慧正處在炙手可熱的風口浪尖上，作為程序員不會機器學習都不好意思去找工作了。

很多技術開發者迫切希望快速進入人工智慧領域，從事工程或者演算法等相關工作，這也是我推出這門課程的初衷。

二、課程大綱

本課程針對機器學習初學者，從機器學習、深度學習最基本的原理及學習意義入手，以模型為驅動，帶領大家吃透幾大最經典的機器學習模型——學習其原理、數學推導、訓練過程和優化方法。配合精心設計的極小數據量的「極簡版」實例，方便讀者從直觀上了解模型的運行原理，利用實例大家還可將自己變身為「人肉計算機」，通過口算/筆算每一步的推導，模擬演算法全過程，進而徹底理解每個模型的運作方式。結合自身實踐經驗，我總結了多個構建數據集、特徵選擇、調參、驗證模型的高效方法，並教授大家如何同步進行編程語言學習，助您快速擁有機器學習產品開發的基本能力。

本課程大綱分為六大部分，共計 34 篇：

第一部分：緒論

• 授人以魚不如授人以漁。本部分從意義和作用出發，給出相應的學習方法和與理論配套的編程學習。

第二部分：基本原理

• 深諳其理，才能靈活應變。本部分開始帶大家了解什麼是機器學習、機器如何自己學習、以及機器學習三要素：數據、模型、演算法之間的關係。
• 模型是機器學習的核心，那麼模型是怎麼得到的呢？本部分也將講解模型的獲取（訓練）和評價（驗證/測試）過程，相應的數據集合的劃分以及具體的評價指標。
• 這部分知識和後面講述的具體模型結合起來，就可以實踐了！

第三部分：有監督學習 I

• 抓住關鍵，個個擊破。本部分重在詳細講解有監督學習中經典的線性回歸、樸素貝葉斯、邏輯回歸、決策樹模型。這幾個模型不僅基礎、經典、常用，而且數學工具特別簡單。

第四部分：有監督學習 II

• 百尺竿頭，更上一層樓。本部分講述支持向量機、支持向量回歸、隱馬爾科夫和條件隨機場模型，從支持向量機開始，數學工具的需求較之前上了一個台階，難度明顯加大。

第五部分：無監督學習

• 無須標註，方便運行。本部分重在講解無監督學習中的聚類、高斯混合及主成分分析等模型。這部分模型的特徵是所需訓練數據無須標註，方便在各種數據上隨時進行嘗試。在現實中，經常用來作為有監督的輔助手段使用。

第六部分：從機器學習到深度學習

• 超越自我，實現蛻變。本部分重在講解深度學習基本原理、深度學習與機器學習的關聯與銜接、以及深度學習目前的應用領域，為讀者下一步學習「深度學習」奠定基礎。

整個課程以經典模型為驅動，講述每一個模型所解決的問題域，模型的原理和數學推導過程。作為課程的主體，第三部分和第四部分講解的每個模型，都附有實例和相應的 Python 代碼。每個例子的數據量都非常小——這樣設計就是為了讓讀者可以用人腦模擬計算機，根據剛剛學到的模型演算法對這些極小量數據進行「模擬訓練/預測」，以此來加深對模型的理解。

三、你將收穫什麼

AI 技術崗位求職知識儲備

如果大家真的有意投身到人工智慧領域做技術性工作，那麼經過技術筆試、面試是必要條件。在面試中被要求從頭解釋某一個機器學習模型的運行原理、推導過程和優化方法，是目前非常常見的一種測試方法。機器學習模型雖然很多，但是經典、常用的很有限。如果能把本課程中講解的經典模型都學會，用來挑戰面試題相信是足夠了。

觸類旁通各大模型與演算法

各種機器學習模型的具體形式和推導過程雖然有很大差別，但卻在更基礎的層面有許多共性。掌握共性之後，再去學新的模型、演算法，就會高效得多。雖然本課的第二部分集中描述了部分一般性共同點，但真要理解個中含義，卻還要以若干具體模型為載體，從問題發源，到解決方案，再到解決方案的數學抽象，以及後續數學模型求解的全過程，來了解體味。這也就是本課以模型為驅動的出發點。

極簡版實例體驗實際應用

運用到實踐中去，是我們學習一切知識的目的。機器學習本身更是一種實操性很強的技術，學習它，原本就是為了應用。反之，應用也能夠促進知識的深化理解和吸收。本課雖然以原理為核心，但也同樣介紹了：劃分數據集、從源數據中提取特徵、模型訓練過程、模型的測試和評估等方法和工具。

配套數據+代碼快速實操上手

本課程中各個實例的 Python 代碼及相應數據，大家可以下載、運行、改寫、參考。

四、課程寄語

我希望本課的讀者在知識和技巧的掌握之外，能夠將學習到的基本規律運用到日常生活中，更加理性地看待世界。

再遇到「人工智慧產品」，能夠根據自己的知識，去推導：How it works——

• 它背後有沒有用到機器學習模型？
• 如果有的話是有監督模型還是無監督模型？
• 是分類模型還是回歸模型？
• 選取的特徵是哪些？
• 如果由你來解決這個問題，有沒有更好的方法？

我們自己用來判斷萬事萬物的「觀點」、「看法」、「洞察」，實際上都是我們頭腦中一個個「模型」對所聞所見（輸入數據）進行「預測」的結果。這些模型自身的質量，直接導致了預測結果的合理性。

借鑒機器學習認識客觀規律的過程，可以知道，模型是由數據和演算法決定的。對應到人腦，數據是我們經過見過的萬事萬物，而演算法則是我們的思辨能力。

我們作為人類不必被動等待一個外來的主宰者。完全可以主動訓練自己的思維模型，通過改進演算法和增大數據量及數據多樣性來提升模型質量——如果能在這方面給讀者朋友們帶來些許啟發，我實在不勝榮幸。

最後，預祝每一位訂閱課程的朋友，能夠通過學習找到心儀的工作，如果大家有任何疑問和建議，也歡迎通過讀者圈與我交流，我們共同學習，共同進步。

課程鏈接：