身邊很多人，都想搭上搭上人工智能這列二十一世紀(jì)的快車。

可是這駕車，是想搭，就能搭的嗎？

有很多人都在詢問，如何能夠?qū)W好人工智能

今天，我就來分享一下，我的觀點(diǎn)

 

文章的宗旨是：1. 指出一些自學(xué)的誤區(qū) 2. 不過多的推薦資料 3. 提供客觀可行的學(xué)習(xí)表 4. 給出進(jìn)階學(xué)習(xí)的建議。這篇文章的目標(biāo)讀者是計(jì)劃零基礎(chǔ)自學(xué)的朋友，對(duì)數(shù)學(xué)/統(tǒng)計(jì)基礎(chǔ)要求不高，比如：

在讀的學(xué)生朋友

非計(jì)算機(jī)行業(yè)的讀者

已經(jīng)工作但想將機(jī)器學(xué)習(xí)/數(shù)據(jù)分析和自己的本職工作相結(jié)合的朋友

 

因此，這篇文章對(duì)于已經(jīng)身處機(jī)器學(xué)習(xí)領(lǐng)域可能幫助不大。同時(shí)再次聲明這只是我的個(gè)人看法，請(qǐng)大家有選擇的性閱讀，探索適合自己的學(xué)習(xí)方法。

 

1. 自學(xué)機(jī)器學(xué)習(xí)的誤區(qū)和陷阱

 

不要試圖掌握所有的相關(guān)數(shù)學(xué)知識(shí)再開始學(xué)習(xí)

 

在很多相關(guān)的回答中，我都一再?gòu)?qiáng)調(diào)不要試圖補(bǔ)足數(shù)學(xué)知識(shí)再開始學(xué)習(xí)機(jī)器學(xué)習(xí)。一般來說，大部分機(jī)器學(xué)習(xí)課程/書籍都要求：

1）線性代數(shù)：矩陣/張量乘法、求逆，奇異值分解/特征值分解，行列式，范數(shù)等

2）統(tǒng)計(jì)與概率：概率分布，獨(dú)立性與貝葉斯，最大似然(MLE)和最大后驗(yàn)估計(jì)(MAP)

 

3）優(yōu)化：線性優(yōu)化，非線性優(yōu)化(凸優(yōu)化/非凸優(yōu)化)以及其衍生的求解方法如梯度下降、牛頓法、基因算法和模擬退火等

 

4）微積分：偏微分，鏈?zhǔn)椒▌t，矩陣求導(dǎo)等

5）信息論、數(shù)值理論等

 

一般人如果想要把這些知識(shí)都補(bǔ)全再開始機(jī)器學(xué)習(xí)往往需要很長(zhǎng)時(shí)間，容易半途而廢。而且這些知識(shí)是工具不是目的，我們的目標(biāo)又不是成為運(yùn)籌學(xué)大師。建議在機(jī)器學(xué)習(xí)的過程中哪里不會(huì)補(bǔ)哪里，這樣更有目的性且耗時(shí)更低。

 

 

不要把深度學(xué)習(xí)作為入門的第一門課

 

雖然很多人都是沖著深度學(xué)習(xí)來的，但把深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)第一課不是個(gè)好主意。原因如下：

 

1）深度學(xué)習(xí)的黑箱性更加明顯，很容易學(xué)得囫圇吞棗

 

2）深度學(xué)習(xí)的理論/模型架構(gòu)/技巧還在一直變化當(dāng)中，并未塵埃落定

 

3）深度學(xué)習(xí)實(shí)驗(yàn)對(duì)硬件要求高，不太適合自學(xué)或者使用個(gè)人電腦進(jìn)行學(xué)習(xí)

 

 不要收集過多的資料 & 分辨資料的時(shí)效性

 

機(jī)器學(xué)習(xí)的資料很多，動(dòng)輒就有幾個(gè)G的材料可以下載或者觀看。而很多朋友都有“收集癖”，一下子購(gòu)買十幾本書的人我也常常能夠看到。

 

機(jī)器學(xué)習(xí)的發(fā)展和變化速度很快。在入門期間，建議“小而精”的選擇資料，選擇近期出版的且口碑良好的書籍。我不止一次的提到這個(gè)例子：

 

在很多深度學(xué)習(xí)的教科書中，尤其是10年以前的教科書中都還依然把Sigmoid當(dāng)作默認(rèn)的激活函數(shù)。但事實(shí)上，整流函數(shù)(ReLu)以及其拓展變形函數(shù)，如Leaky ReLu早就成為了主流的深度學(xué)習(xí)激活函數(shù)。但因?yàn)橹R(shí)的滯后性，很多課程/書籍甚至都沒有介紹ReLu的章節(jié)。

 

 

2. 機(jī)器學(xué)習(xí)的一些前期準(zhǔn)備

 

1）硬件選擇

 

另一個(gè)大家常問的問題是：是否可以用自己的筆記本電腦進(jìn)行機(jī)器學(xué)習(xí)。答案是肯定的，大部分市面上的數(shù)據(jù)集都可以放到你的內(nèi)存中運(yùn)行。在入門階段，我們很少會(huì)用到非常大的數(shù)據(jù)集，一般最大也就是MNIST，完全可以使用個(gè)人筆記本電腦進(jìn)行運(yùn)行。

 

請(qǐng)不要打著學(xué)習(xí)的名義重新購(gòu)買機(jī)器...

 

2）軟件選擇

 

如果要做深度學(xué)習(xí)，Linux還是首選，因?yàn)槠鋵?duì)很多學(xué)習(xí)模型支持比較好（主要是深度學(xué)習(xí)的Library）。但即使你使用的是Windows系統(tǒng)，也可以用虛擬機(jī)裝Ubuntu來進(jìn)行學(xué)習(xí)。小型的深度學(xué)習(xí)模型足夠了，大型的深度學(xué)習(xí)我們很少在本地/個(gè)人計(jì)算機(jī)上運(yùn)行。

 

至于編程語(yǔ)言，首推Python，因?yàn)槠淞己玫耐卣怪С中?，主流的工具包都有Python版本。在特定情況下，選擇R作為編程語(yǔ)言也是可以的。其他可能的語(yǔ)言還包括C++、Java和Matlab，但我個(gè)人不大推薦。

 

此處也想額外提一句，因?yàn)榫幊虒儆跈C(jī)器學(xué)習(xí)基本要求之一，所以推薦大家可以自學(xué)一些基礎(chǔ)編程的知識(shí)(如Python)，在文中不再贅述。

3）語(yǔ)言能力

學(xué)好英語(yǔ)，至少打下閱讀和聽力的基礎(chǔ)。雖然人工智能領(lǐng)域中國(guó)現(xiàn)在已經(jīng)做得很不錯(cuò)，但主流的書籍、期刊和會(huì)議，資料都是英文的。我們可以接受翻譯版，但最好的方法還是自己有能力直接閱讀。即使你將來不做機(jī)器學(xué)習(xí)，英文閱讀能力還是會(huì)有很大的幫助。

 

學(xué)習(xí)是一件長(zhǎng)時(shí)間的事情，不要著急，人工智能這趟列車還要開很久，現(xiàn)在開始學(xué)習(xí)，肯定也是來得及的。

公眾號(hào)：maibanzhang