理解為什么現(xiàn)在機器學(xué)習(xí)如此熱門

編者按：Infinite Red首席技術(shù)架構(gòu)師Gant Laborde通過有趣的視頻和平易近人的文字帶你入門機器學(xué)習(xí)。

如果你對人工智能和機器學(xué)習(xí)的了解是一個大大的問號，那么本文正是為你準備的。我將通過富于靈感的視頻和平易近人的文字逐漸增加你的卓越度（Awesomenessicity?）。

坐下來，放松一點。這些視頻時長分別在5-20分鐘，如果這些視頻不能給你足夠的啟發(fā)，你完全可以停止閱讀后文。然而，如果你發(fā)現(xiàn)你讀到了文章的末尾，那么你已經(jīng)具備足夠的知識和激情進入一個全新的世界。進行到哪一步，完全取決于你。

理解為什么現(xiàn)在機器學(xué)習(xí)如此熱門

A.I. 一直很酷，《乓》中移動乒乓球拍的是A.I.，《街霸》中用組合技把你打上天的也是A.I.

雅達利1972年推出的乒乓球街機游戲

A.I.總可以通過程序員的猜測來實現(xiàn)，程序員猜測某事物應(yīng)該如何表現(xiàn)。有意思的是，程序員并不像我們經(jīng)常認為的那樣具備編程A.I.的天賦。google搜索“epic game fails”（史詩級的游戲失敗），你可以看到大量游戲中A.I.和物理系統(tǒng)的故障（有時能看到有經(jīng)驗的人類玩家的失?。?。

不管怎么說，現(xiàn)在A.I.有了一項新天賦。你可以教授計算機玩視頻游戲，理解語言，甚至如何識別人物或物體。這些新技術(shù)的冰山一角來自一個古老的概念，這一概念僅僅在最近才獲得足夠的處理能力，從而能夠存在于理論之外的場景。

我說的是機器學(xué)習(xí)（Machine Learning）。

你不再需要想出一個高級的算法。你只需教授計算機自己想出一個高級算法。

這樣的事情到底是怎么發(fā)生的？算法更多地不是寫出來的，而是繁殖出來的。我并沒有使用繁殖作為類比。

哇！這是一個瘋狂的過程！

算法實現(xiàn)之后，我們怎么能夠不理解算法是如何運作的呢？下面的視頻展示了一個通關(guān)馬里奧的A.I. 身為人類，我們都了解如何玩橫向卷軸游戲。但是A.I.的預(yù)測策略很是瘋狂。

令人印象深刻吧？這個想法很令人驚訝，是吧？唯一的問題是我們不知道機器學(xué)習(xí)，而且不知道如何將機器學(xué)習(xí)接入視頻游戲。

幸運的是，Elon Musk創(chuàng)辦了一家非盈利公司OpenAI，讓你只用寫幾十行代碼就可以將任何A.I.接入無數(shù)的游戲/任務(wù)。

為什么應(yīng)該使用機器學(xué)習(xí)

關(guān)于你為什么應(yīng)該在乎機器學(xué)習(xí)，我有兩個好答案。首先，機器學(xué)習(xí)（ML）正讓計算機處理我們之前從未讓計算機處理的任務(wù)。如果你想做一些新的事情，并不僅僅對你而言是新的，而且對世界而言是新的，你可以用ML來做這件事。

其次，如果你不影響世界，世界將影響你。

現(xiàn)在知名公司正投資ML，ML將改變世界，我們拭目以待。思想領(lǐng)袖發(fā)出警告，我們不能讓這一新時代的算法脫離公眾視線。想象一下如果某幾家企業(yè)控制互聯(lián)網(wǎng)會是什么結(jié)果。如果我們不參與，科技將不屬于我們。我認為Christian Heilmann關(guān)于ML的演講中說得很好：

我們可以希望其他人僅僅善意地使用這一力量。我卻是不看好這個賭博的人。相反，我寧愿成為這場革命的一部分。你也可以。

好，現(xiàn)在我有點興趣了……

這個概念挺有用，也挺酷的。我們已經(jīng)在一個較高的層次了解這個概念，但機器學(xué)習(xí)的過程中到底發(fā)生了什么？它是如何工作的呢？

如果你想直接上手，我建議你跳過這一小節(jié)，直接閱讀下面的“如何入門”一節(jié)。如果你的動機是想應(yīng)用機器學(xué)習(xí)技術(shù)，你不需要閱讀這一節(jié)。

如果你想要嘗試理解機器學(xué)習(xí)的工作機制，推薦觀看下面的視頻，該視頻使用經(jīng)典的機器學(xué)習(xí)手寫作為例子，帶你了解機器學(xué)習(xí)的邏輯。

網(wǎng)絡(luò)就像一個函數(shù)，隨著層數(shù)的加深，小塊咀嚼數(shù)據(jù)，最終得到抽象概念。Adam Harley做了一個交互界面，你可以在上面親自手寫數(shù)字，看看神經(jīng)網(wǎng)絡(luò)模型能否正確識別，以及相應(yīng)各層的激活情況。

上面的交互界面展示的是數(shù)據(jù)流經(jīng)已訓(xùn)練模型的過程，而JavaFXpert開發(fā)的JavaFXpert/visual-neural-net-server項目（代碼發(fā)布于GitHub上）則可視化了網(wǎng)絡(luò)的訓(xùn)練過程。

演示使用的數(shù)據(jù)集是iris數(shù)據(jù)集（源自1936年），可視化了神經(jīng)網(wǎng)絡(luò)上反向傳播權(quán)重的過程。

我是通過JavaFXpert面向Java開發(fā)者介紹機器學(xué)習(xí)的報告上發(fā)現(xiàn)這個可視化工具的。即使你不是Java開發(fā)者，我也推薦你觀看JavaFXpert的這次報告，因為其中介紹了很多機器學(xué)習(xí)的概念。

你可以在YouTube上觀看這次報告：（時長一個半小時）

https://www.youtube.com/watch?v=I7GMyP6jdU0

譯者注：如果訪問YouTube遇到麻煩，文末附有獲取視頻下載地址的方法。

這些機器學(xué)習(xí)的概念真是令人激動！機器學(xué)習(xí)領(lǐng)域每天都有突破，所以請從現(xiàn)在開始。

如何入門

機器學(xué)習(xí)有很多資源。我將推薦兩條路線。

基本原理

通過這條路線，你將在算法和數(shù)學(xué)層面理解機器學(xué)習(xí)。我知道這聽起來很難，但是從頭開始，理解細節(jié)和代碼是很酷的。

如果你打算加入ML的主力軍，并深入?yún)⑴c討論，那么這是為你準備的路線。

我建議你嘗試下Brilliant.org的應(yīng)用（對任何喜愛科學(xué)的人而言，這是一個很棒的應(yīng)用），然后參加上面的人工神經(jīng)網(wǎng)絡(luò)課程。該課程沒有時間限制，你需要用手機打發(fā)時間的時候可以學(xué)下ML。

注意，本課程在等級一之后需要付費。

你可以同時學(xué)習(xí)吳恩達的機器學(xué)習(xí)課程（斯坦福線上課程）。上面提到的JavaFXpert的報告中推薦了這門課程。另外，Jen Looper也向我推薦過這門課程。

很多人警告說這門課程比較難。對某些人來說，這意味著知難而退，但對另一些人而言，這正是深入學(xué)習(xí)這門課程并取得認證的理由。

課程是100%免費的。不過，如果你打算取得認證的話，需要為此支付一筆費用。

這兩門課程中有很多動手實踐的地方。如果你成功完成了這兩門課程，會讓每個人印象深刻，因為它們可不簡單。

不過，更重要的是，如果你確實完成了這兩門課程，你將深入理解機器學(xué)習(xí)的實現(xiàn)，有助于你以創(chuàng)新的方式應(yīng)用機器學(xué)習(xí)改變世界。

極速賽車手

如果你對編寫算法不感興趣，但希望使用機器學(xué)習(xí)創(chuàng)建下一個突破性的網(wǎng)站/應(yīng)用，你應(yīng)該直接跳到TensorFlow以及相應(yīng)的速成課程。

TensorFlow是機器學(xué)習(xí)開源軟件庫的事實標準。它有無數(shù)的應(yīng)用，你甚至可以在JavaScript中使用TensorFlow。

如果參加一門課程不是你的風格，你很幸運。今時今日，你無需學(xué)習(xí)ML的本質(zhì)就可以應(yīng)用它。你可以有效地將ML作為一項服務(wù)使用，利用技術(shù)巨頭訓(xùn)練好的模型。

不過我仍然提醒你注意，這樣可無法保證你的數(shù)據(jù)的安全性（甚至是你自己的安全性），不過ML服務(wù)很有吸引力。

如果你方便上傳數(shù)據(jù)到Amazon/Microsoft/Google，也許使用ML服務(wù)對你而言是最佳方案。我喜歡將這些服務(wù)看作是通向更高級的ML的介紹人。無論如何，現(xiàn)在就開始是個好主意。

讓我們成為創(chuàng)造者

我想借此機會向所有之間提到的人以及視頻作者表示感謝。他們在我的入門過程中給了我不少啟發(fā)，盡管我現(xiàn)在仍然是ML世界的一個新人，我很高興能為其他人照亮擁抱這一令人驚嘆的新時代的路徑。

當你開始學(xué)習(xí)新東西的時候，和他人交流是比不可少的。沒有友好的面孔、答案、熱鬧的討論區(qū)，任何事情都會很難。能夠提問并得到答案，效果大不一樣。你可以在推特上關(guān)注我（@GantLaborde），以及前面提到的其他人。Reddit的MachineLearning板塊也是一個交流的好地方。

下面是一個真實的例子，我在推特上和朋友討論高方差和過擬合問題。

我希望這篇文章啟發(fā)了你和你周圍的人來學(xué)習(xí)ML！