留言送书:又一机器学习入门力作

送书方式见文末,先听我好好介绍这本书。

近日,公众号“量子位(ID:QbitAI)编译的一组数据曝光了爱彼迎(Airbnb)、AR新锐Magic Leap等12家独角兽公司的工程师薪酬水平。数据显示,机器学习工程师的整体薪资约为11万~21万美元(折合成人民币75万~143万元);AI方向的高薪岗位还包括计算机视觉工程师岗,AI基础架构工程师,年薪高达22万美元。国内的情况呢,AI岗位如字节跳动—数据科学家、滴滴—AI工程师(自动驾驶)以及大疆—机器学习算法工程师的薪酬,由25K至60K不等。当然,资深AI工程师的上限还远不止如此,很多公司都是高薪找人,但是根本找不到。

那么机器学习从业者的情况呢?

在与不同背景的朋友聊天过后,我发现大部分人居然还在入门阶段挣扎,他们都在感叹——

机器学习入门真难!

想想也能理解:现阶段AI的核心技术是机器学习,然而机器学习的覆盖面相当大,其所要求的底层知识也又深又广,包括线性数学、统计学、概率、微积分、程序设计和算法等等等等……

其中几位朋友的经历特别有代表性:

l小A 是一名计算机互联网相关专业的在校学生,希望将来进入AI就业市场——他已经开始啃周志华老师的《机器学习》西瓜书。然而小A在阅读西瓜书时,却被其中大量的定义、算法和公式吓呆。

l小B是一个IT老兵,他因为公司项目,需要学习AI的数据科学和机器学习。很多朋友推荐吴恩达老师的视频课程。他苦学六个月,终于拿到了Coursera的机器学习毕业证书。然而等项目开始后,他哭了——学了半天的工具和语言并不是工作中要用的Python……

l小C已经学了一段时间机器学习,损失函数、激活函数、最小二乘法、聚类、XGBoost、神经网络、GAN、迁移学习什么的都熟记于心,但是并不确定它们将如何应用于具体项目。他苦笑着跟我说:“学了这么多,还是感觉自己是门外汉!”

此外,知乎等平台也有很多人在提问:

“新手如何入门机器学习?”

“机器学习最好的课程是什么?”

“如何系统入门机器学习?”

那么,到底有没有一条高效的机器学习入门路线呢?

其实,入门机器学习,无非以下几点:

l知道机器学习是干什么的;

l知道机器学习模型是怎么跑的;

l知道如何将机器学习运用到实际项目中。

至于线性数学、统计学、概率、微积分、程序设计和算法等等等等,需要学吗?需要,但是不急在“入门”这一时。入门终究是为了应用,只有知道了整个领域的底层逻辑,我们才能根据自己的特点查漏补缺。试想,如果连“机器学习”项目具体在干什么都没有搞清楚,那么学再多的线性数学统计学概率微积分程序设计算法……有什么用?

从这一根本需求出发,我给上述朋友们推荐了一本书——《零基础学机器学习》(黄佳 著)。

《零基础学机器学习》

说说原因:

1.这本书真的规划出了一条路线!

这一点是最重要的。很多书上来就把机器学习划分成很多模块,然后一个一个模块的解释、推导,一本书就是一个大型的思维导图。这不否认是一种有效的学习模式,但是对大部分学习能力欠缺和缺少全局思维的读者来说,很不友好。为什么?因为书的大部分时间都在讨论细节,读者很容易在推导和计算中起不了身,陷入“我是谁,我在哪,我在干什么”的迷茫中。一本好的“入门书”,应该更多考虑到“小白”读者的困境,设计好内容,引导大家去学。

《零基础学机器学习》是什么思路呢?

它按照上课培训的方式,把学习过程分成了4个阶段。

l第1阶段,了解机器学习概况。用基本上一两天的学习量(顶多一周),把机器学习的家族谱、常用平台、基本术语、Python相关知识、项目实战套路迅速过了一遍,让人对这个领域有个基本的认识。

项目实战“套路”,图非常有意思

l第2阶段,快速熟悉理论。又用了一两天的学习量(这次真的是一两天),带着读者回忆了一下曾经还给老师们的数学知识(求导啊张量啊的),看上去也非常简单。

l第3阶段,项目实战。这里,用到了上面那张讲到的“项目常用套路”图,基本上就是按照那5步不停地实战实战,范围覆盖了线性回归、逻辑回归、深度学习、卷积神经网络和循环神经网络。一方面加深对这些模型算法的理解,另一方面增加读者对实战项目的手感。

l这时候,你基本上就能知道这个领域的一个基本运行规律了。此时,再开始向读者介绍领域内稍微深一些的概念和理论,这就是第4阶段——深入学习一些经典的算法,集成学习,非监督学习,生成式对抗网络,强化学习,等等。

 

《零基础学机器学习》的入门路线

这样设置好在哪里呢?

这本书其实是抛去了“思维导图”的模块化概念,主动引导学生去学,简单的知识背后是深思熟虑的课程设计。这就跟老师教课一样,为什么老师上课需要设计教案?仅仅做预习一下书本内容吗?当然不止。大家可以回想一下自己听过的好课,教师在上课中绝对不是照本宣科。为了让学生更快、更高效的领会知识,老师们需要在熟记书本内容的前提下,精炼、总结出能让学生更快上手、更好理解的方式。其间要充分考虑到学生在学习过程中哪些地方会遇到哪些难点,如何解决这些难点,而不是简单地铺陈一下知识,给一些代码让学生自己模仿。

另外,为了让人更有代入感,这本书设置了2个角色:小冰——即将接触AI项目的初级程序媛,咖哥——小冰的临时AI辅导师。全程用小冰的学习过程串起了整本书的学习流程。

书中人物:小冰,咖哥

2.书中对于一些复杂概念的解释非常“接地气”!

有些人可能在担心:虽然有路线,但是机器学习有些概念就是很难理解啊,路线设的再好也没用。

《零基础学机器学习》也考虑到了这一点,所以对于一些较为抽象的内容的介绍,书中用漫画、故事、实际场景比喻等不同方法去解释,最大程度减少“理解困难”的问题。

比如,有些小伙伴面对庞大的机器学习系统时,可能会想,机器学习模型这么多?该怎么挑选自己的方向?

作者将将一些常见的机器学习应用场景和机器学习模型进行连接,并告诉读者:机器学习的诀窍在于要了解自己的问题,并针对自己的问题选择最佳的机器学习方法(算法),也就是找到哪一种技术最有可能适合这种情况。如果能把场景或任务和适宜的技术连接起来,就可以在遇到问题时心中有数,迅速定位一个解决方向。

机器学习模型与应用场景

又比如,刚入门机器学习时,可能会对各种术语会有天然的畏惧心理。这本书则以房价为例,解释了其中各种基本术语所代表的含义。

机器学习的基本术语(部分)

比如,“梯度下降”(Gradient Descent),这对很多同学来说,算是机器学习入门过程中的一个坎儿。机器学习中常用“下山”来比喻梯度下降——我们想知道如何下山,但是只能一步一步往下走。在机器学习模型的优化过程中,梯度下降可以说是最常采用的方法之一,通过梯度下降法来一步步的迭代求解,得到最小化的损失函数和模型参数值。那么具体该怎么做呢?

梯度下降的隐喻-下山

对于如何求解机器学习算法的最佳参数,书中是这样解释的——

(原文为对话形式,内容有整理)

机器学习的本质是在大量数据中寻找最优函数……但漫无目的去猜测一万次,然后给出一个损失最小的模型,告诉别人说这个是我随机猜测一万次里面最好的结果,这实在是谈不上任何“智能”。如果机器是利用它们天文级的“算力”做这样的事情,那简直太让人失望了。因此,比较理想的情况是,每一次猜测都应该比上一次更好,更接近真相,也就是每次的损失都应该减小,而不是好一次,坏一次地乱猜。好消息是,有一种方法可以使猜测沿着正确的方向前进,因此总能找到比起上一次猜测时误差更小。这种方法就是针对损失函数的梯度下降。

……但只是前进的方向对了,这还不够,还有另外一个关键点,就是你要知道什么时候停下来最合适。如果下图中的小猴子代表损失值的大小,那么它应该是往左走,还是往右走呢?机器能不能告诉它正确的方向?

那就是求导。

梯度下降的实现-求导

此外,还有更多在代码中和实战部分的跟踪和指导,都是基于真实项目的成败经验,经过书中两位人物的对话,手把手模拟训练过程,这里就不一一介绍了。

说说作者黄佳的经历,黄佳是新加坡埃森哲公司的高级顾问,在IT领域二十多年,曾经出过SAP系列的畅销书,启蒙了大批中国早期ABAP技术人才。后来转行到人工智能领域,他自己也是从零学起,从起初的艰难摸索到带着自己的团队完成大型项目的实践,前前后后花了很长时间。因为在学习过程中走了不少弯路,这使得他下定决心,弄出一本专门给初学者看的“小白书”“避坑书”,把初学者易入之坑都给填平!

“机器学习不能曲高和寡,应该走出象牙塔,下凡到人间。如何让更多人轻松、快捷的进入机器学习领域,是我在这本书力求解决的关键问题。”这是作者黄佳写这本书的初衷,所以从结果来看,这本书也极其“接地气”。

《零基础学机器学习》要解决的问题,不是让读者瞬间学会机器学习的所有概念,瞬间上手所有项目,而是作为一个踏板——带你入门,让你从全局角度认识机器学习,连接理论与应用。至于后续如何提升,你可以根据自己的实际情况,再继续深耕。当然到了这时候,你肯定知道接下来该怎么走了。

如果你有“不知如何入门”的苦恼,不妨看一看。

购书链接:

好了,相信大家对这本书也有很一定的了解了,现在到大家期待的送书环节,然后来聊聊送书方法,这次是专门给我的粉丝的福利,文末留言,我会选择写的较好的送出(这次高赞自然会相对优先哟),如果数量超过3,我则会通过拉群发红包的方式抽出最后的送书对象,所以这就考验大家的小作文能力啦~截止时间是27日夜,事后我会通过公众号通知大家。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值