机器学习第一步，从向量和矩阵开始！

全文共1466字，预计阅读时长2分钟

熟练掌握C语言却总是在转型机器学习算法的道路上屡屡跌倒？懂得AI模型的逻辑却在每次伪代码修改后都被报错？
你的绊脚石或许不仅仅是对于Python语法的陌生，还有对于数据集的处理摸不着头脑。

这时候，就需要我们回归基本概念——从向量、矩阵开始，读懂机器学习语言。

不同在何处？

在一般性C语言编程中，对于数据的处理主要利用指针。

熟悉它的同学们都知道，所谓内存，其实可以被视作一栋有许多房间的旅馆，数据按照特定顺序存在于这些房间之中。而指针，就是房间的门牌号。每一个指令的下达，就是依据编号敲开对应的门，而不用每一次处理之前，都得对房内的具体数据有所了解。

但机器学习的逻辑却与这完全不同。如果说前者是演绎法，那么机器学习则是归纳法，对于机器学习模型最重要的，就是理解单位数据本身。

就图像识别而言，模型为了正确识别狗，需要掌握的是每一张含有狗的图片数据中有何特征点，这些特征点与猫、与人、与桌椅板凳的特点有何不同，从而让图中的狗成为计算机眼中的狗

在这样的运算中，计算机是逻辑的主宰者。计算机在图片的特征参数提取中，学会了头圆、有深色鼻头、尖耳朵、可伸缩爪子的物体是猫，而吐舌头、塌耳朵、长脸的是狗。至于模型如何判断塌耳朵和尖耳朵，我们很难给出确切的答案。

我们最有控制权和控制可能性的，是通过奖励信号训练模型，让计算机在自己的推理逻辑下，给出我们想要的答案。
这就意味着，在机器学习中，我们需要一个更加灵活的东西，让机器可以为不同数据之间的联系赋予权重，而不仅仅只有指向。这就是运用向量的意义所在。

向量与矩阵

在机器学习算法中，有这样几个要素值得关注。

首先是数据集，它将作为输入信号（inputs），根据训练阶段的需求，被划分为模型的训练集、验证集、测试集。
其次就是向量。虽然在不同语境下，向量的意义各不相同，但并不妨碍我们将其归纳为含有数量级与方向的量。这样一来，向量便能搭载着数据的逻辑关系及权重，从而让数据集被输入编码器，形成数组，随之进入神经网络模型运算。

而这个庞大的数组，通常以矩阵的方式出现。
所谓矩阵（Matrix），当然不是《黑客帝国》里的那个邪恶智能体Matrix了，不过它的确有这方面的潜质。矩阵是一个按照长方阵列排列的复数或实数集合，它在计算模型中可以指代许多东西。

比如这个3 x 3的矩阵，其中的1可能指代的是物体颜色为红色，其中的5可能说的就是物体的位置。
而将矩阵放置在神经网络算法中，通常指代的是向量与数据集的组合。

为什么要利用矩阵呢？首先，大家都知道，单个向量本身就是一个1 x n的矩阵。其次，在Python中，Numpy系统可以直接进行矩阵之间运算。这样一来，便可以避免使用不断将单位数据代回公式的for循环，从而提升运算效率。

如何读懂？

理解了向量与矩阵的重要性，只是迈出了读懂机器学习的第一步，要继续走下去，必然需要夯实基础
在许多机器学习入门教程中，许多作者都提供了他们所认可的线性代数课程。

一位网名叫@SEFDstuff的小哥就在他的YouTube频道里提供了几个关于向量和矩阵的公开课链
向量 (explained with Linear Algebra):
https://www.khanacademy.org/math/linear-algebra/vectors-and-spaces
向量 (explained with PreCal):
https://www.khanacademy.org/math/precalculus/vectors-precalc
矩阵:
https://www.khanacademy.org/math/precalculus/precalc-matrices
不用翻墙，手指动一动，迈出你读懂机器学习的第一步吧！

读懂机器学习，需要建立自己的词典

入门机器学习并非难事，更不需要从零开始。

掌握Python固然重要，但Python不过也只是机器学习这本海量词典中的一个部分，而剩下的绝大多数内容，还有待发掘。

而发掘的过程，就是学习他人研究和代码过程。利用诸如TensorFlow，PyTorch这样的机器学习框架，开启学习的第一步将是一个很好的选择。

要知道，只有当你真正开始着手写作神经网络模型，你才能真正地发现问题，并获得寻找解决方案的动力。你的机器学习词典，才不会永远都停留在肤浅的层面。

参考文献链接：
https://www.leiphone.com/news/201804/wmYdmBLjATQZoH7c.html?viewType=weixin

本文转载自：百家号“读芯数”