入门机器学习的感悟——壹、转向机器学习

壹、转向机器学习

  前一篇提到“学习本身是一件可以通过不断磨练提升的技巧”，在nlp的蒙昧中摸索的时候，不断百度的过程中，我逐渐意识到机器学习，或者说基于统计的机器学习是nlp的基础。当然，这句话现在看来只能算是一句门外汉毫无根据的感性妄想。况且那个时候，我的学习也遇到了非常大的瓶颈。也是抱着试一试的心态，我开始学习清华大学出版社的《统计学习方法》。这本书也很不错，编排架构很清晰，虽然我不认可有所谓的“高效学习路线”这样的概念，但如果真的要做这样一个假设，如果我可以对过去的自己发信息的话，我大概会向他推荐这本书作为机器学习的入门书。

  这本书由浅及深地概括了常用的几种统计模型，技术的东西这一篇就不讲太多了，总之这本书最终学到SVM，我觉得学不下去的主要原因可能还是它的学习曲线到这一章突然变得特别的陡，无奈只好继续切换。这本书的功劳在于它让我逐渐对机器学习的整个框架有了一个清晰的认识。

  那个时候另外一个概念逐渐清晰，那就是神经网络。于是又一本所谓的入门深度学习的神书映入我的眼帘，也就是俗称的“花书”。坦率讲这本书上的句子实在是太不流畅了，我读起来感觉很吃力，即使是那些我自认为已经很了解的东西，看了这本书上的描写也是感觉云里雾里。我深知再坚持下去也是做无用功，于是果断决定继续切换。

  我觉得可能学习就是一个辩证上升的过程，总之我又换了教材，这次换成了网上饱受推崇的吴恩达的机器学习视频课程，这可能也是我打算入门机器学习以来第一个完整学完的课程。说真的，其实我觉得这套教程给我带来的收获并不多，因为他讲的东西，我之前就已经在别的课本上看过好几遍了，另外，我觉得假如一上来就是学这个的话，可能也会是一头雾水吧。这套教程以一种十分温和的方式引入了BP神经网络，也可以说是目前深度学习基础，也就有了后来第一次尝试以java的方式来实现自己的BP神经网络。

  下面是我个人在这个阶段的一些感悟：

  首先想谈的概念是知识的“时效性”，这在计算机领域表现得尤为明显。比如SVM，这个我至今也没有整得太明白的模型，在今天已经算得上是昨日黄花了，在这样的知识点上花费太多时间是不适合的。而且处于风口浪尖的技术，相应的学习资源也会非常丰富，可以给你的学习提供很大的便利。

  固然，你可以说，也许将来还会有别的浪潮。对于这个问题我是这么看的，刚入门的时候，还是不要给自己设太多障碍，选个社区活跃，学习资源丰富的方向才是实在。