我就是這樣入門「機器學(xué)習(xí)」的

本文作者 2013 年本科畢業(yè)，做過并行計算開發(fā)、嵌入式底層，目前在游戲創(chuàng)業(yè)公司做服務(wù)器開發(fā)。

自從作者自學(xué)機器學(xué)習(xí)等 AI 領(lǐng)域技術(shù)以來已經(jīng)有一段時間了，本文作者將簡單總結(jié)這一段時間的進修情況。

后悔大學(xué)不努力

大三的時候?qū)W過一門“人工智能導(dǎo)論”的課，只記得課里有一些回溯和圖搜索的算法，具體細節(jié)全忘了。

雖然算法與數(shù)據(jù)結(jié)構(gòu)、編程語言很有深度，但當(dāng)時認(rèn)為真正厲害的是能干項目，寫網(wǎng)站的，懂框架寫實際應(yīng)用程序。

什么語言、算法，現(xiàn)學(xué)會用就行。那些編譯原理、操作系統(tǒng)課程、數(shù)學(xué)、英語，聽課就行，畢竟真正招人不看這些基礎(chǔ)課。

尤其是蘊含其中的算法思想。它們決定了你從事程序員這個行業(yè)以后所能達到的深度，而英語決定了你以后的廣度。趁年輕，可以多嘗試各個方向，但一定要明白基礎(chǔ)知識的重要性。

如果想形成知識體系，本人是不贊同碎片化學(xué)習(xí)某一領(lǐng)域知識的。碎片化時間適合看技術(shù)“花邊文章”，開眼界。碎片化學(xué)到的知識，都是零散的，個別天才除外。

真正能形成系統(tǒng)性的，有深度知識到自己腦海里的一定是靠長時間系統(tǒng)地持續(xù)性地學(xué)習(xí)才能積累和形成的(至少我自己適合持續(xù)性學(xué)習(xí))。

我剛?cè)雽W(xué)那會兒被各種各樣的大部頭嚇壞了，這能啃完嗎？甚至有的老師也不建議啃。

但其實現(xiàn)在看來，大學(xué)期間最適合啃這些書，因為那時候有非常多的時間來心無旁騖地學(xué)習(xí)。

如果你熱愛這一行，或者立志想一輩子靠技術(shù)吃飯的話，如果不知道啃哪本，就從《算法導(dǎo)論》啃起吧。

不要怕難，認(rèn)真反復(fù)多看幾遍，如果全弄懂你的人生肯定會與其他人不一樣。

大學(xué)里最重要的是學(xué)習(xí)思想性的知識，好的學(xué)習(xí)知識的方法，專注和自學(xué)的能力，這些是能伴隨你一生的習(xí)慣，是修煉內(nèi)功的絕好機會。

這個時候心無雜念，找本自己想學(xué)的方向，很容易鉆進書本里。如果你還在校園里，那就踏踏實實夯實基礎(chǔ)吧(比如4學(xué)分的課)。

如果你覺得老師講得不好，那么去網(wǎng)上自學(xué)公開課，自學(xué)能力也幾乎是技術(shù)成長必備的能力。

再一個，不要害怕與眾不同，我們從小到大，太強調(diào)一致性了，要相信自己。

為什么想學(xué) AI ？

隨著近幾年計算機領(lǐng)域的不斷發(fā)展，云服務(wù)與并行計算促進了計算力的提升，互聯(lián)網(wǎng)的發(fā)展提供了海量的數(shù)據(jù)，這些方向的發(fā)展都促進了人工智能的發(fā)展，也促進了 AI 領(lǐng)域機器學(xué)習(xí)的發(fā)展。

我覺得學(xué)習(xí) AI 是投資自己的技術(shù)未來，就像前幾年火熱的移動端開發(fā)一樣，傳統(tǒng)崗位也會依然存在。但是 AI 行業(yè)的發(fā)展也一定會產(chǎn)生新的崗位。

而人對未知的事物都是充滿好奇或者擔(dān)憂的，至少我是好奇。好奇大家口中的機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)這些名詞到底是怎么回事，有什么高深的算法，會如何發(fā)展，是否存在自己一直尋找的興趣方向。

之前的一些機器學(xué)習(xí)入門的文章也看了很多，都看得迷迷糊糊，大家說的模棱兩可，比如不用在乎數(shù)學(xué)推導(dǎo)，直接調(diào)用接口，就好了。

簡單的 API 調(diào)用，我想大家都很容易學(xué)會，但如果我僅把函數(shù)當(dāng)成黑盒使用，我心里是沒底的，因為我不知道里面怎么做的，我就會覺得沒底。

也許是我性格的原因，會經(jīng)常執(zhí)迷于細節(jié)，而且學(xué)習(xí)速度很慢，并且無法從宏觀上對事情進行更好的抽象，我現(xiàn)在也在逐漸提高自己的抽象能力，先從宏觀上看事情。

一次偶然的機會，看到一篇文章：《入行AI,如何選個腳踏實地的崗位》。這篇文章是我看過所有的入門文章中，介紹的最詳細最明白的文章，相見恨晚。

文章中的觀點我完全贊同，盡管很多技能我還不具備，但我覺得說得都很對，同時也揭開了各個崗位都是干什么的神秘面紗。

首先，我覺得不懂內(nèi)部原理甚至細節(jié)，只會調(diào)用庫，是沒辦法更深入和提高的。所以我覺得數(shù)學(xué)基礎(chǔ)很重要，照著教程敲一遍代碼已經(jīng)不足以滿足我現(xiàn)在的追求，做完了沒有什么成就感。

成就感是個很神奇的東西，就跟你玩游戲打怪練級一樣，如果認(rèn)識到這件事充滿成就感，你會有非常多的力量在上面，找到最大化自己成就感的事情，那個應(yīng)該就是興趣所在了，做那件事也就能實現(xiàn)自我的意義和價值。

其次，同意文章中說的在成為機器學(xué)習(xí)工程師之前要首先要是一名合格的程序員，基本數(shù)據(jù)結(jié)構(gòu)和算法一定要掌握，我距離合格程序員還有很大差距。要認(rèn)清自己，腳踏實地。

最后，文章末尾有個講課的鏈接，我以前對培訓(xùn)和講課是很抵觸的，片面覺得所有的東西都要自己悟才可以，現(xiàn)在想想是自己鉆死胡同里了。

如果有老師講很好的課，可以幫你快速入門，大幅提高你的時間效率的，而且這門課很便宜。

此外，我個人認(rèn)為當(dāng)一篇文章讓我有極大認(rèn)同和感想以后，我就會把作者的所有相關(guān)文章都檢索出來。

看一遍，如果 80% 甚至更多都和自己的認(rèn)知相同，那么這個人多半你就是認(rèn)同的，大概率買她課不會讓你失望，李燁老師給我的感覺就是這樣。

以上只是我的真實感受，不多說了，要不然有打廣告的嫌疑。看完這篇文章后，我對整個 AI 行業(yè)有了一些認(rèn)識，決定要開始行動起來，臨淵羨魚，不如退而結(jié)網(wǎng)。

關(guān)于買書

關(guān)于買書，我從不吝惜，希望自己也能一直保持著這個習(xí)慣?；?200 以內(nèi)的書，真的需要，或者我知道自己買完了一定會看，我從不猶豫。

但仍然有很多書沒買，Amazon 上的購物車，常年有上千的書存著，因為窮，哭。

之前是怕租房搬家麻煩不買，現(xiàn)在覺得自己以前好蠢，這點麻煩算什么。個人覺得電子書的確方便，但的確適合查閱，不適合閱讀。

想系統(tǒng)學(xué)，還是要買好書經(jīng)典書，甚至大部頭才好，這樣知識才能系統(tǒng)建立起來，比碎片化有意義很多。碎片化當(dāng)開眼界和休息時的新聞看看就行了。

關(guān)于知識付費

我覺得學(xué)習(xí)上不要吝嗇，衣服可以不買，吃的可以溫飽，但是學(xué)習(xí)上，不用小氣，一件衣服，一雙鞋，都夠買一年的課或者書了。

我本人收入并不高，但買了很多課，別亂買，買那些你一定會去學(xué)的，一定讓你有產(chǎn)出的，可以內(nèi)化成你自己知識的。

我自己買了一些某乎 live 課，但覺得里面都是一些宏觀上的方法，細節(jié)很少，干貨也很少，整個 live 過程都覺得非常趕時間，學(xué)到的就更少了，可以作為開眼界，理清一下脈絡(luò)的方式，甚至有的 live 買完能學(xué)到脈絡(luò)就不錯了。

App 上也訂閱了某人工智能專欄，老師照書本式的念，聽著實在是煩，生硬。說白了，我識字，但你寫的我看不懂，你念一遍我也還是不懂。

沒有詳細解釋，只能靠我自己去網(wǎng)上一點點找，也許對數(shù)學(xué)基礎(chǔ)要求很高，我的基礎(chǔ)距離主講人定義的數(shù)學(xué)基礎(chǔ)差太多。

數(shù)學(xué)基礎(chǔ)

個人覺得，如果有好的詳細推導(dǎo)過程嚴(yán)謹(jǐn)?shù)慕滩?教程，看書或圖文教程，是學(xué)習(xí)上手最快的。因為，你可以自己控制學(xué)習(xí)的速度。

【1】微積分

首先由于連微積分最基礎(chǔ)的知識都忘記了，就先回去補高數(shù)了，雖然大學(xué)上課認(rèn)真聽課了，但不是學(xué)霸那種，畢業(yè)后基本沒怎么用過，就全還給老師了。

看大學(xué)教材，這里我用的是 GitChat 上李燁老師推薦的微積分講義（北師大出版社鄺榮雨等編著的《微積分學(xué)講義》），書很薄，很適合快速過一遍。

我屬于只看書和例題沒有做題的，因為懶。我覺得大學(xué)期間，很多時候都留在做題上了，我整個教育歷程重點都是題海戰(zhàn)術(shù)。

但我忽視掉了，真正的數(shù)學(xué)定義中的物理和幾何意義，其實這些意義非常重要。這里重點補充了一下。

如果后面想往算法科學(xué)家方向發(fā)展的話，這部分還要繼續(xù)強化，做題，多練，提高自己的計算能力，多看書和例子。MIT 的在163上的微積分公開課也非常棒。

【2】線性代數(shù)

由于第一份工作用到了浮點數(shù)高階矩陣求逆并行優(yōu)化算法相關(guān)的工作，這個在當(dāng)時認(rèn)真學(xué)了，而且當(dāng)時包括現(xiàn)在的理解，線性代數(shù)，只是進行矩陣變換和運算。

【3】概率論

這個是弱項，從高中開始，抽球，就抽不明白，現(xiàn)在也沒太明白。但是我屬于對學(xué)習(xí)資料比較苛刻的那種人，各種強調(diào)器，而不去做事。其實如果用心學(xué)隨便一本，都可以內(nèi)化成自己的知識，但我暫時還達不到這種境界。

學(xué)知識不是為了滿足自己的我很上進的樣子，也不是為了學(xué)過這些知識以后，自我滿足感。

一定要強調(diào)自己的內(nèi)化——就是拍著自己的胸脯問自己，你真的學(xué)會了嗎？你學(xué)到了什么？都理解了嗎？沒理解，好，說明沒學(xué)會，那就重新再看視頻，再查閱各種相關(guān)資料，再學(xué)，每天吃飯睡覺都去想，去琢磨。

這里我推薦***大學(xué)的葉丙成老師在 Coursera 上的課程："頑想學(xué)概率"（一）和（二）。

話說葉老師說話很像我已經(jīng)離職的 Leader，親切感十足。雖然只學(xué)了前面幾節(jié)課，但明顯是非常棒的概率課程。跟著學(xué)就好。教材，請打印課堂的ppt。

【4】統(tǒng)計學(xué)

網(wǎng)上有 edx 或者可汗等國外的公開課，暫時還沒有補習(xí)，大面積用到了再補。

大家多利用好網(wǎng)上公開課視頻。我自己本人是，基本上所有的公開課 App 都裝了（買了幾千塊的手機，不能白買）。

機器學(xué)習(xí)

首先推薦：吳恩達老師在 Cousera 上的“機器學(xué)習(xí)公開課”。

這個課程基本你看完微積分，學(xué)會求導(dǎo)，求偏導(dǎo)的物理意義，知道矩陣乘法和轉(zhuǎn)置，就可以看機器學(xué)習(xí)的視頻了。

這門課非常好，老師講的非常淺顯易懂。我甚至覺得高中生，學(xué)完微積分，求導(dǎo)，了解一下矩陣，如果會編程，都可以學(xué)了。

建議邊看邊做筆記，做完筆記，雖然耗時間，但是我知道自己屬于看十遍不如寫一遍，一般的視頻，看兩遍，某個看三遍就能理解了。

Coursera 上有幾個是視頻的中文字幕是不全的，網(wǎng)易上有更好版本的中文字幕視頻。大家可以先去網(wǎng)易公開課上看。

建議先中文，然后達到英文聽課的程度，因為真的不難。我自己英語很菜，大學(xué)就沒怎么學(xué)習(xí)，看第二遍的時候也能看懂英文字幕了。

順便說一下：英語這個技能是必備的，只要你從事計算機這一行并且想往上走，沒什么商量的。平時查 stackoverflow，看其他的 tutorial 或者 doc 也要看的。

其次推薦：李燁老師在 GitChat 發(fā)布的「極簡機器學(xué)習(xí)入門課」

這門課非常值得學(xué)習(xí)，而且真的好便宜，物超所值。

大多數(shù)專欄只是開眼界，沒法做到系統(tǒng)。李燁老師的課做得就比較好，課程里非?；A(chǔ)，通俗，有細節(jié)。還能讓你開眼界，了解常識。

比如會告訴你一直以來，線性關(guān)系并不全是直線的關(guān)系，這樣非常基礎(chǔ)而重要的概念?！苍S我數(shù)學(xué)太弱了，學(xué)東西方法也不夠靈活，理解不夠深刻。

當(dāng)然，如果圖文再詳細些，圖文肯定效率更高。

至于機器學(xué)習(xí)相關(guān)的書籍，我覺得周志華老師的西瓜書（《機器學(xué)習(xí)》）對我來說太難了，大神覺得簡單，請無視我。

因為我很多符號表示都看不懂，這里一位網(wǎng)友說過一句話，我覺得有一定道理：數(shù)學(xué)符號不統(tǒng)一，導(dǎo)致了入門門檻較高。

但是，坦白說，還是自己太菜了，其實符號大同小異，但的確入門如果一味鉆進去摳符號什么意思，是很惱人的。

但沒別的辦法，只能多去搜，多去看，去老師的群里問，老師和群友都會幫你解答。看不懂你就不知道在人家在說什么。

不要急，不要煩，機器學(xué)習(xí)就這么多符號，它不是無窮盡的，踏踏實實一個一個學(xué)?？隙軐W(xué)會，這里我主要推崇愚公移山的精神，當(dāng)你一下子突然理解了，能體會到領(lǐng)悟的喜悅。

有網(wǎng)友推薦臺大的林軒田的視頻，這個我剛看了開頭，還沒詳細看，以后再補。李航的《統(tǒng)計學(xué)習(xí)方法》看著更頭大，暫時先不看，以后回來補。

編程語言

編程語言首選 Python。Amazon 上有一本讓繁瑣工作自動化的 Python 書，非常簡單，適合無基礎(chǔ)的人，如果你和我一樣弱，那就看它吧，上手非常快。

Python 編程快速上手:《讓繁瑣工作自動化》；基礎(chǔ)好些的，看：《Python 從入門到實踐》，我兩本都買了。

Python 開源工具庫：

輸入輸出文件處理：pands矩陣處理：numpy機器學(xué)習(xí)模型：sklearn（比如線性回歸模型，一條函數(shù)調(diào)用就完事，非常高效）可視化：matplotlib

Python 機器學(xué)習(xí)相關(guān)在線教程：

莫煩 PYTHON：

https://morvanzhou.github.io/

實踐資源

由于目前工作中沒有相關(guān)機器學(xué)習(xí)的業(yè)務(wù)，這里去 kaggle ：

https://www.kaggle.com/

上刷比賽是很好的方式，因為上面有大量的接近實際的項目。

心得體會

不要被高大上的符號或者專業(yè)術(shù)語嚇倒，比如：張量，梯度下降，貝葉斯公式，機器學(xué)習(xí)，人工智能，神經(jīng)網(wǎng)絡(luò)...

不僅是機器學(xué)習(xí)，其實很多方向都是，當(dāng)聽到專業(yè)術(shù)語時，不要慌張和盲目的跟風(fēng)，一點一點看，一點點去學(xué)習(xí)了解。

踏實下來，抽絲剝繭，如果你真的想知道這些名詞是什么意思，拿入門機器學(xué)習(xí)舉例，全身心投入一個月就差不多了。

小吐槽：大學(xué)教育時，很多算法，模型，都沒有學(xué)習(xí)英文的表達方式以及認(rèn)真梳理，造成別人說一些專業(yè)英文術(shù)語的時候，自己不能理解。

其實是自己沒意識到要進行知識梳理。造成很多知識學(xué)完了，在腦海里，跟一團漿糊一樣。

是模型算法都懂，單拿出來能理解，但是看別人文章、書的時候，根本就不知道把這些零散的知識串聯(lián)在一起，其實有些知識是學(xué)過的，知識沒有自己梳理。

一定要盡早梳理，做事有條理，學(xué)習(xí)專業(yè)術(shù)語正確的英文表達方式，本文還會不斷修繕。

專業(yè)術(shù)語盡可能用英文的專業(yè)詞匯跟別人交流，能節(jié)省很多中文翻譯版本上的障礙，有很多知識yy，別人講了半天，原來是說的其實就英語的xx或者中文另一個版本的zz）

李燁老師還推薦了《人工智能基礎(chǔ)(高中版)》是由陳玉琨和湯曉鷗編著，寫的非常淺顯易懂，適合我這樣的菜鳥。

里面有人工智能核心能力的說法我覺得很好："人工智能最核心的能力就是根據(jù)給定的輸入做出判斷或預(yù)測"。的的確確就是這么一回事。

學(xué)完對機器學(xué)習(xí)的理解，昨天碰巧在網(wǎng)上(圖片出處)遇到這張圖，就偷懶不自己畫了：

看完 Cousera 上 Ng 的課，里面如果有不清楚的，可以橫向看一下書和網(wǎng)上找文章，建議手動推導(dǎo)一遍梯度下降算法，再用 Python 實現(xiàn)一遍梯度下降算法。

盡可能所有的公式都手動推導(dǎo)一下，提高自己的運算水平，補充之前沒有做題的缺陷。而且自己也能真正明白。

最好也能用代碼來實現(xiàn)一遍，如何用計算機求導(dǎo)。

學(xué)習(xí)路線

先分享一下我個人的學(xué)習(xí)步驟：

1. 先看微積分，知道連續(xù)，求導(dǎo)的幾何意義，然后了解一點矩陣知識；

2. 開始看 Ng 的視頻，然后看李燁老師對應(yīng)章節(jié)的課，看西瓜書，然后看網(wǎng)上的教程實例，手推公式，手寫代碼實現(xiàn)求導(dǎo)

3. goto 2

4. kaggle 入門級比賽(這部分我剛開始...)

看完一節(jié) Ng 的視頻，就去看李燁老師的課程；看不懂的，繼續(xù)看視頻，網(wǎng)上找資料。

或者去課程群里提問，肯定有人知道，大家都不知道就可以問老師，老師都會耐心給與解答。多種學(xué)習(xí)途徑相結(jié)合。

由于個人性格比較愚鈍，很多事情喜歡刨根問底，沒有數(shù)學(xué)公式上的推導(dǎo)，就覺得心里沒底。

抽象出模型的思維較弱，執(zhí)著于細枝末節(jié)，所以喜歡有詳細推導(dǎo)過程的教程，但也因為笨，啃得慢，還有畏難與拖延的壞毛病。