机器学习与计算机视觉（开篇）

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】

 

    这几年，机器学习非常火。自从alpha go战胜了韩国的李世石之后，深度学习又将机器学习推向了新的高度。不可否认，机器学习是非常有用的。不管是模式识别、自然语言处理、计算机视觉，还是推荐系统、机器发掘、语音识别等方面，机器学习都发挥了巨大的作用。机器学习作为基础学科，它为其他学科的发展作出了很大的贡献，不断贡献着新的理论和算法，推动技术不断发展。

 

    从另一方面，学习机器学习也是有一定困难的。因为，对于希望学好这门课程的同学来说，除了掌握必要的编程方法和编程技巧之外，你还需要了解基本的数学方法，比如优化、概率、矩阵、随机数学等等。很多同学看到这些数学公式就一下子手足无措，不知道如何下手。

 

    下面，我就从自己个人的角度推荐一下，作为一个it工程师应该如何学习好机器学习？

 

1）机器学习应该选用什么编程语言？

    如果大家平时留意的话，会发现大家用来编写算法的时候什么语言都有，比如c、c++、java、matlab、python、R等等。我建议大家如果是自己编写算法，最好使用python脚本语言，编写起来很快，语法和c差不多，基本不需要调试。如果是别人写的算法，那么只需要自己会编译会修改就可以了。比如说，机器学习中svm这块，大家用的比较多的都是libsvm库，最早的库是用c++库，大家只要能看懂会使用就可以了。还有一些公开发表的论文，这些论文大部分是用matlab编写的，大家也只要能看懂就可以了，如果需要的话，可以自己转换成python或者c代码。

 

2）python常用的库有哪些？

    只需要numpy、pandas和matplotlib就可以了，前者主要处理矩阵使用，后者画图使用。

 

3）怎么编写算法？

    可以先看懂机器算法的基本原理，然后编写代码，最后再看推倒的数学公式。it工程师比较擅长的是看代码，所以可以从自己擅长的领域着手。大部分的机器学习代码都在100～200行之间，我指的是python代码，所以理解上不会有太大的困难。即使自己不会写，先看看别人的也可以。

 

4）有没有什么好的机器学习库？

    sklearn，python下面最简单的机器学习库。所有的代码基本上都分成三个步骤，建模、训练、预测。

 

5）常用的机器学习的书有哪些？

    我自己经常看的书就三本，《机器学习实战》、《统计学习方法》和周志华的《机器学习》。大家在看书的时候，尽量找适合自己的书籍。大牛的书籍不一定适合自己，反而是一些实战的书特别适合入门。

 

6）机器学习最重要的是什么？

    比算法和测试数据集本身更重要的，是希望大家寻找更多机器学习的应用场景，让这门学科更好地服务于我们的生活。

 

7）掌握机器学习的步骤是什么？

    先利用现成的库（比如sklearn）用好算法，后面可以根据算法定理实现好算法，最后再根据使用经验发觉算法的不足，改进好算法，让更多的人从你的工作中收益。这是一个持续的过程，没有办法一蹴而就。

 

8）公司用的机器学习和学术界的机器学习有什么区别？

    公司用的算法往往都是稳定、简洁、可靠的算法，比如说logistic回归、决策树、bayes等等，而学术中的机器学习更偏向于性能和结果，在效率和成本和算法可理解性方面考虑的不多。比如大家学习中遇到的svm、pca、lda、神经网络、深度学习，在生产中可能没有大家想象的那么多。当然也不能说，学术的算法就没有意义，也许随着计算机处理效率的提高和大数据时代的到来，学术中的某些算法会成为新的主流趋势，这也说不定。

 

9）有没有什么比较好的视频教程？

    斯坦福大学Andrew NG的《机器学习》课程。

 

ps:

    一般机器学习最好和一个领域联系在一起。比如ml和图像，或者dnn和语音。如果想学习语音的同学，利用kaldi来学习语音也是不错的选择，语音识别里面的声学模型、语言模型也大量使用了机器学习的知识。