好像一下子，進入了AI時代，后臺的很多小伙伴其實都很迷茫，自己現(xiàn)在該如何去做好準(zhǔn)備，去迎接即將到來的All in AI。

所以就有了今天這篇文章啦。今天呢，跟大家分享分享目前機器學(xué)習(xí)的歷程吧，我到現(xiàn)在都沒覺得我入門了機器學(xué)習(xí)，所以也沒有什么所謂的經(jīng)驗啊，成功實踐啊，沒有。

[[202383]]

首先甩三句始終相信的話。

• 不要為了機器學(xué)習(xí)而機器學(xué)習(xí)。
• 機器學(xué)習(xí)只有洞悉來自業(yè)務(wù)的需要，配合業(yè)務(wù)發(fā)展，才能發(fā)揮作用，單純的機器學(xué)習(xí)沒什么用。
• python大法好，用2.7。

業(yè)界的前沿機器學(xué)習(xí)基本都是只支持python和C++，行業(yè)標(biāo)準(zhǔn)，就用python。

大數(shù)據(jù)下還是Spark更實用。

在大數(shù)據(jù)的環(huán)境下，其實落地最實用，場景最多的，還是Spark。

該怎么去下手?

腳抬起了3cm。目標(biāo)：開眼界。

首先從比較宏觀的角度，全面了解機器學(xué)習(xí)的全貌。看看機器學(xué)習(xí)能做些什么，能解決什么問題，是什么樣的套路。

機器學(xué)習(xí)就是根據(jù)已有特征，訓(xùn)練模型，然后根據(jù)模型來預(yù)測未知的數(shù)據(jù)。

很多小伙伴一開始就會扎進去什么支持向量機、Logistic回歸、LASSO啊、決策樹啊這類算法里面，一下去就去非常深入去理解他們的原理，個人認為這種切入方式是有一點問題的，如果僅僅是為了學(xué)習(xí)一下這些算法，那還行。長遠來說，還是要現(xiàn)有大局觀。

• 《圖解機器學(xué)習(xí)》
• 《集體智慧編程》
• 《機器學(xué)習(xí)》周志華

這三本書我都買了，循序漸進，***本是通俗易懂的機器學(xué)習(xí)算法圖解，作為趣味性入門來說非常好。

第二本是當(dāng)前機器學(xué)習(xí)能做些什么事情，以及python怎么實現(xiàn)這些機器學(xué)習(xí)算法，代碼狂人可以在這里面找到一些成就感，推薦先快速翻一遍，再回頭，重新一章一章看，一行代碼一行代碼打，有時候不知道它啥意思也不要緊，打出來跑跑看。

第三本是比較系統(tǒng)地說機器學(xué)習(xí)的過程，以及每個算法比較嚴(yán)格的數(shù)學(xué)推導(dǎo)過程，非常嚴(yán)謹(jǐn)，數(shù)學(xué)要求較高，數(shù)學(xué)不太好的可以暫時不買，買了也看不懂。

嘛，也不用三本都買，看不完。小伙伴要是急呢，其實把***本看了也就行了，眼界也算是開了，只是手頭一點米可以下鍋都沒有而已····

腳抬了5cm了。目標(biāo)：了解算法。

這個階段，可以把所有的算法原理都開始看了，主要的書是上面的《機器學(xué)習(xí)》。如果英語夠好的話呢，在coursera上學(xué)學(xué)Andrew NG的機器學(xué)習(xí)公開課。如果英語不好的話呢，可以試試鄒博老師的《機器學(xué)習(xí)實戰(zhàn)》，中文解釋來說還是非常不錯的入門教程。

當(dāng)然，師傅領(lǐng)進門，修行在個人。

教程和書再好都沒有用，還是需要你花時間，慢慢慢慢地，去一點點理解透每個算法背后的原理，以及各種各樣的優(yōu)化方法是怎么發(fā)生的。

舉例線性回歸可以這樣進階地去學(xué)習(xí)：

純線性回歸。什么是最小二乘法，損失函數(shù)怎么求。

核函數(shù)。什么叫多項線性回歸，什么叫高斯核線性回歸。

正則化。什么叫正則化，正則化的目的是什么?LASSO，嶺回歸，ElasticNet都是什么。L0、L1、L2正則各代表什么東西。

廣義線性模型。廣義線性模型把什么東西涵蓋起來了，是怎么抽象怎么推導(dǎo)的?

大概就這樣，一點一點去深入，不用一次性把所有的模型都學(xué)完。但是個人建議，線性回歸，Logistic回歸，決策樹這三個必須必須完完整整先看完。畢竟很好理解又很好用，太難的臣妾真的做不到啊!!!逃避可恥但有用吖。

腳抬了6cm了。目標(biāo)：利用成熟框架。

這個階段呢，就沒什么好的書介紹了，使用scikit-learn去解決前面解決過的問題吧~會發(fā)現(xiàn)超級簡單，還特么比自己實現(xiàn)的快很多勒。

腳抬了6.5cm了。目標(biāo)：開始接觸神經(jīng)網(wǎng)絡(luò)。

把Tenfowflow官網(wǎng)的demo看懂，打一遍。一層一層撥開，看看RNN,CNN,GAN這些現(xiàn)在非常流行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的原理是怎么樣的，深度學(xué)習(xí)目前來說離不開這三兄弟。如果還是看不懂呢，可以搜索一下莫凡Tenfowflow，蠻入門的，但也僅僅是入門而已。大概了解了解也可以了

如果你已經(jīng)完成了上面的步驟，你已經(jīng)可以跟我一樣出來吹牛逼了，但是其實并沒有什么卵用。

腳抬了7cm了。目標(biāo)：開始實操。

進入Kangle，注冊賬號，開始泰坦尼克號吧。

腳抬了7.5cm了。目標(biāo)：開始關(guān)注落地的事情。

上面說了那么多其實都沒開始任何落地的東西，你的模型要怎么訓(xùn)練，怎么開始結(jié)合業(yè)務(wù)來實際應(yīng)用起來，你對力量還是一無所知。后臺回復(fù)"MVP"，先行看看吧，大概就那么幾種方式模型訓(xùn)練提供服務(wù)的，展開來講文章會太長，會被打pp的。

腳抬了10cm了。目標(biāo)：開始發(fā)現(xiàn)自己數(shù)學(xué)不夠用了。

• 《概率論與數(shù)理統(tǒng)計》陳希孺
• 《線性代數(shù)應(yīng)該這樣學(xué)》

這個嘛，慢慢補吧，一時半會補不上來的T_T。

腳抬了11cm了。目標(biāo)：關(guān)于特征工程。

好的特征是成功的一半。業(yè)界有這么一句半玩笑但是有點道理的話。特征選擇和特征清洗，決定了你模型的上限，你的算法和優(yōu)化只是不斷逼近這個上線而已。

該系統(tǒng)學(xué)學(xué)特征工程的東西了，直接度娘特征選擇會有一大堆的資料，我這里就不提供了，我寫得也沒人家寫得好。

特!征!工!程!非!常!重!要!

趴倒在門檻上。目標(biāo)：深入理解前沿的底層原理。

跟進一些過去的優(yōu)秀論文，比如MapReduce原理的，比如李沫的Parameter原理的，比如GAN原理的，比如LPA原理的。非常非常多的論文，邊實踐邊看唄，我也沒看多少所以也沒法分享啥。

所以我就趴倒在門檻上，依然還沒入門，還在上面某些階段努力ing。

當(dāng)然需要去看得遠遠也不止上面這些書，也遠遠不止這些論文，希望早日把它們吸收了吧。生活又不止機器學(xué)習(xí)。生活確實不止遠方和詩，悲催的是到了遠方，卻發(fā)現(xiàn)讀不懂遠方的詩。

• 《女士品茶》
• 《華杉講透孫子兵法》
• 《論語(白話全譯)》
• 《深入淺出統(tǒng)計學(xué)》
• 《深入淺出數(shù)據(jù)分析》
• 《大數(shù)據(jù)智能》
• 《深度學(xué)習(xí)》
• 《優(yōu)雅的理性》
• :heavy_check_mark:《創(chuàng)新著的窘境》
• :heavy_check_mark:《數(shù)學(xué)之美》

誒，書單越來越長了，慢慢來慢慢來。好啦，分享就差不多到這里，不黑不吹，上面這些過程至少至少需要你業(yè)余時間沒日沒夜搞個半年，大家做好身體鍛煉，一起玩命學(xué)唄。