人工智能早已婦孺皆知，其熱度仍然居高不下，其發(fā)展前景亦是被很多大佬看好，于是很多小伙伴們都想進(jìn)人工智能領(lǐng)域，投入 AI的懷抱，但苦于不知如何下手、如何學(xué)習(xí)AI。其中，人工智能的核心就是機器學(xué)習(xí)(MachineLearning)，它是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域。

今天云和數(shù)據(jù)的小編就來分享一些來自 EliteDataScience 上專門講給機器學(xué)習(xí)入門自學(xué)者的心得體會，告訴你在機器學(xué)習(xí)之路上的幾個重要步驟：

1.什么是機器學(xué)習(xí)?

在悶頭學(xué)習(xí)機器學(xué)習(xí)之前，最好先把什么是機器學(xué)習(xí)搞清楚，了解機器學(xué)習(xí)的基本概念。

簡單來說，機器學(xué)習(xí)就是教電腦怎樣從數(shù)據(jù)中學(xué)習(xí)，然后做出決策或預(yù)測。對于真正的機器學(xué)習(xí)來說，電腦必須在沒有明確編程的情況下能夠?qū)W習(xí)識別模型。

機器學(xué)習(xí)屬于計算機科學(xué)與統(tǒng)計學(xué)的交叉學(xué)科，在多個領(lǐng)域會以不同的面目出現(xiàn)，比如你應(yīng)該聽過這些名詞：數(shù)據(jù)科學(xué)、大數(shù)據(jù)、人工智能、預(yù)測型分析、計算機統(tǒng)計、數(shù)據(jù)挖掘······

雖然機器學(xué)習(xí)和這些領(lǐng)域有很多重疊的地方，但也不能將它們混淆。例如，機器學(xué)習(xí)是數(shù)據(jù)科學(xué)中的一種工具，也能用于處理大數(shù)據(jù)。

機器學(xué)習(xí)自身也分為多個類型，比如監(jiān)督式學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)、增強學(xué)習(xí)等等。例如：

郵件運營商將垃圾廣告信息分類至垃圾箱，應(yīng)用的是機器學(xué)習(xí)中的監(jiān)督式學(xué)習(xí);電商公司通過分析消費數(shù)據(jù)將消費者進(jìn)行分類，應(yīng)用的是機器學(xué)習(xí)中的非監(jiān)督式學(xué)習(xí);而無人駕駛汽車中的電腦和攝像頭與道路及其它車輛交互、學(xué)習(xí)如何導(dǎo)航，就是用到了增強學(xué)習(xí)。

2.需要預(yù)備哪些知識?

如果沒有基本的知識儲備，機器學(xué)習(xí)的確看起來很嚇人。要學(xué)習(xí)機器學(xué)習(xí)，你不必是專業(yè)的數(shù)學(xué)人才，或者程序員大牛，但你確實需要掌握這些方面的核心技能。

好消息是，一旦完成預(yù)備知識，剩下的部分就相當(dāng)容易啦。實際上，機器學(xué)習(xí)基本就是將統(tǒng)計學(xué)和計算機科學(xué)中的概念應(yīng)用在數(shù)據(jù)上。

這一步的基本任務(wù)就是保證自己在編程和統(tǒng)計學(xué)知識上別掉隊，機器學(xué)習(xí)的預(yù)備知識主要有以下三個方面

1)如果不懂編程，是沒法使用機器學(xué)習(xí)的。應(yīng)用于數(shù)據(jù)科學(xué)中的Python語言是一個很好的選擇

2)了解統(tǒng)計學(xué)知識，特別是貝葉斯概率，對于許多機器學(xué)習(xí)算法來說都是基本的要求。

3)研究機器學(xué)習(xí)算法需要一定的線性代數(shù)和多元微積分知識作為基礎(chǔ)。

3. 原理知識重要嗎?

盡可能多地吸收機器學(xué)習(xí)的原理和知識，這一步和第一步有些相似，但不同的是，第一步是對機器學(xué)習(xí)有個初步了解，而這一步是要掌握相關(guān)原理知識。

可能有些朋友會想：我又不想做基礎(chǔ)研究，干嘛要掌握這些原理，只要會用機器學(xué)習(xí)工具包不就行了嗎?

有這個疑問也很正常，但是對于任何想將機器學(xué)習(xí)應(yīng)用在工作中的人來說，學(xué)習(xí)機器學(xué)習(xí)的基礎(chǔ)知識非常重要。比如你在應(yīng)用機器學(xué)習(xí)中可能會遇到這些問題：

數(shù)據(jù)收集是個非常耗時耗力的過程。你需要考慮：我需要收集什么類型的數(shù)據(jù)?我需要多少數(shù)據(jù)?等此類的問題。

數(shù)據(jù)假設(shè)和預(yù)處理。不同的算法需要對輸入數(shù)據(jù)進(jìn)行不同的假設(shè)。我該怎樣預(yù)處理我的數(shù)據(jù)?我的模型對缺失的數(shù)據(jù)可靠嗎?

解釋模型結(jié)果。說機器學(xué)習(xí)就是“黑箱”的觀點明顯是錯誤的。沒錯，不是所有的模型結(jié)果能直接判讀，但你需要能夠判斷模型的狀況，進(jìn)而完善它們。我怎么確定模型是過度擬合還是不充分?jǐn)M合?模型還有多少改進(jìn)空間?

優(yōu)化和調(diào)試模型。很少有人剛開始就得到一個最佳模型，你需要了解不同參數(shù)之間的細(xì)微差別和正則化方法。如果我的模型過度擬合，該怎么修正?我應(yīng)該將幾個模型組合在一起嗎?

要想在機器學(xué)習(xí)研究中解答這些問題，掌握機器學(xué)習(xí)的知識原理必不可少。

4.實踐出真知

掌握了機器學(xué)習(xí)的基礎(chǔ)理念知識，接著就該實際操作了。

實際操作主要是通過具體的、深思熟慮的實踐操作增強你的技能。本步目標(biāo)有三個：

練習(xí)機器學(xué)習(xí)的整個流程：收集數(shù)據(jù)，預(yù)處理和清理數(shù)據(jù)，搭建模型，訓(xùn)練和調(diào)試模型，評估模型。

在真正的數(shù)據(jù)集上實踐操作：對于什么樣的數(shù)據(jù)適合用什么類型的模型，自己應(yīng)逐漸建立這方面的判斷能力。

深度探究：例如在上一步，你學(xué)習(xí)了很多機器學(xué)習(xí)算法知識，在這一步就要將不同類型的算法應(yīng)用在數(shù)據(jù)集中，看看哪個效果最好。

完成這一步后，就可以進(jìn)行更大規(guī)模的項目了。

5.項目中持續(xù)成長

終于到了最后一步，也是很有意思的一步。目前為止，我們已經(jīng)完成了：知識儲備、掌握基本原理、針對性練習(xí)等階段，現(xiàn)在我們準(zhǔn)備探究更大的項目：

這一步的目標(biāo)就是練習(xí)將機器學(xué)習(xí)技術(shù)應(yīng)用于完整的端到端分析。

如果你按照這個步驟一步步扎實學(xué)習(xí)的話，相信你一定在AI方面學(xué)有所成，好了，已上就是云和數(shù)據(jù)的小編分享的內(nèi)容，希望對您有所幫助!