开篇词

开篇词 | 入门机器学习,已迫在眉睫

大家好,我是李烨。现就职于微软(Microsoft),曾在易安信(EMC)和太阳微系统(Sun Microsystems)任软件工程师。先后参与过聊天机器人、大数据分析平台等项目的开发。在未来的 10 周里,我将通过“机器学习极简入门课”与同学们分享关于机器学习方面的一些心得。

课程背景

首先,我们来看一下当前机器学习领域招聘市场的行情。

enter image description here

上面表格中所有带有“算法”、“人工智能”、“数据挖掘”、“视觉”字样的职位,都需要懂机器学习。

在产品和服务中应用机器学习模型,已经逐步成为了互联网行业的通行方法。甚至很多传统软件企业,也开始尝试应用机器学习。说得更直接一点,人工智能正处在炙手可热的风口浪尖上,作为程序员不会机器学习都不好意思去找工作了。

很多技术开发者迫切希望快速进入人工智能领域从事工程或者算法等相关工作,这也是我推出这门课程的初衷。

课程大纲

本课程针对机器学习初学者,从机器学习、深度学习最基本的原理及学习意义入手,以模型为驱动,带领大家吃透几大最经典的机器学习模型——学习其原理、数学推导、训练过程和优化方法。配合精心设计的极小数据量的“极简版”实例,方便读者从直观上了解模型的运行原理,利用实例大家还可将自己变身为“人肉计算机”,通过口算/笔算每一步的推导,模拟算法全过程,进而彻底理解每个模型的运作方式。结合自身实践经验,我总结了多个构建数据集、特征选择、调参、验证模型的高效方法,并教授大家如何同步进行编程语言学习,助您快速拥有机器学习产品开发的基本能力。

本课程大纲分为六大部分,共计 37 篇:

第一部分:绪论

  • 授人以鱼不如授人以渔。本部分从意义和作用出发,给出相应的学习方法和与理论配套的编程学习。

第二部分:基本原理

  • 深谙其理,才能灵活应变。本部分开始带大家了解什么是机器学习、机器如何自己学习、以及机器学习三要素:数据、模型、算法之间的关系。

  • 模型是机器学习的核心,那么模型是怎么得到的呢?本部分也将讲解模型的获取(训练)和评价(验证/测试)过程,相应的数据集合的划分以及具体的评价指标。

  • 这部分知识和后面讲述的具体模型结合起来,就可以实践了!

第三部分:有监督学习 I

  • 抓住关键,个个击破。本部分重在详细讲解有监督学习中经典的线性回归、朴素贝叶斯、逻辑回归、决策树模型。这几个模型不仅基础、经典、常用,而且数学工具特别简单。

第四部分:有监督学习 II

  • 百尺竿头,更上一层楼。本部分讲述支持向量机、支持向量回归、隐马尔科夫和条件随机场模型,从支持向量机开始,数学工具的需求较之前上了一个台阶,难度明显加大。

第五部分:无监督学习

  • 无须标注,方便运行。本部分重在讲解无监督学习中的聚类、高斯混合及主成分分析等模型。这部分模型的特征是所需训练数据无须标注,方便在各种数据上随时进行尝试。在现实中,经常用来作为有监督的辅助手段使用。

第六部分:从机器学习到深度学习

  • 超越自我,实现蜕变。本部分重在讲解深度学习基本原理、深度学习与机器学习的关联与衔接、以及深度学习目前的应用领域,为读者下一步学习“深度学习”奠定基础。

整个课程以经典模型为驱动,讲述每一个模型所解决的问题域,模型的原理和数学推导过程。作为课程的主体,第三部分和第四部分讲解的每个模型,都附有实例和相应的 Python 代码。每个例子的数据量都非常小——这样设计就是为了让读者可以用人脑模拟计算机,根据刚刚学到的模型算法对这些极小量数据进行“模拟训练/预测”,以此来加深对模型的理解。

enter image description here

你将收获什么

AI 技术岗位求职知识储备

如果大家真的有意投身到人工智能领域做技术性工作,那么经过技术笔试、面试是必要条件。在面试中被要求从头解释某一个机器学习模型的运行原理、推导过程和优化方法,是目前非常常见的一种测试方法。机器学习模型虽然很多,但是经典、常用的很有限。如果能把本课程中讲解的经典模型都学会,用来挑战面试题相信是足够了。

触类旁通各大模型与算法

各种机器学习模型的具体形式和推导过程虽然有很大差别,但却在更基础的层面有许多共性。掌握共性之后,再去学新的模型、算法,就会高效得多。虽然本课的第二部分集中描述了部分一般性共同点,但真要理解个中含义,却还要以若干具体模型为载体,从问题发源,到解决方案,再到解决方案的数学抽象,以及后续数学模型求解的全过程,来了解体味。这也就是本课以模型为驱动的出发点。

极简版实例体验实际应用

运用到实践中去,是我们学习一切知识的目的。机器学习本身更是一种实操性很强的技术,学习它,原本就是为了应用。反之,应用也能够促进知识的深化理解和吸收。本课虽然以原理为核心,但也同样介绍了:划分数据集、从源数据中提取特征、模型训练过程、模型的测试和评估等方法和工具。

配套数据+代码快速实操上手

本课程中各个实例的 Python 代码及相应数据,大家可以下载、运行、改写、参考。

enter image description here

课程寄语

我希望本课的读者在知识和技巧的掌握之外,能够将学习到的基本规律运用到日常生活中,更加理性地看待世界。

再遇到“人工智能产品”,能够根据自己的知识,去推导:How it works——

  • 它背后有没有用到机器学习模型?
  • 如果有的话是有监督模型还是无监督模型?
  • 是分类模型还是回归模型?
  • 选取的特征是哪些?
  • 如果由你来解决这个问题,有没有更好的方法?

我们自己用来判断万事万物的“观点”、“看法”、“洞察”,实际上都是我们头脑中一个个“模型”对所闻所见(输入数据)进行“预测”的结果。这些模型自身的质量,直接导致了预测结果的合理性。

借鉴机器学习认识客观规律的过程,可以知道,模型是由数据和算法决定的。对应到人脑,数据是我们经过见过的万事万物,而算法则是我们的思辨能力。

我们作为人类不必被动等待一个外来的主宰者。完全可以主动训练自己的思维模型,通过改进算法和增大数据量及数据多样性来提升模型质量——如果能在这方面给读者朋友们带来些许启发,我实在不胜荣幸。

最后,预祝每一位订阅课程的朋友,能够通过学习找到心仪的工作,如果大家有任何疑问和建议,也欢迎通过读者圈与我交流,我们共同学习,共同进步。

我之前分享的一场 Chat 《入行 AI,选个脚踏实地的岗位》中曾提到,工业界所需的 AI 技术人员,更多集中在算法、工程、数据相关岗位之上,并全面总结了不同岗位角色所需要具备的素质、日常工作的状态,及职业发展路径。这场 Chat 也将收录在课程最后,作为福利供大家免费阅读,加油!

上一篇
下一篇
目录