机器学习简介与学习路线

   机器学习简介与学习路线

在小编的社群（微信群+QQ群）里，活跃着5000+的群友，小编和他们的交流已经超过了一年。在这个过程中，搜集了他们的很多高频的痛点，他们提出的有些问题虽然很让人啼笑皆非，但是却代表了很多同学的想法。

比如，有的同学说，我要做的是机器学习，老大却要我做hadoop；有的同学说，群主，你拉我进的是机器学习群，但我要学深度学习；有的同学说，老师，你说的LR是线性回归吗。这样一系列问题，小编都整理到了今天的文章中，以PPT的形式提供给看官。

常用群友问，我学了机器学习以后能够干嘛呢？请注意看下面的PPT：

以下题目仅仅是举例，不是归纳，但是都是真实面试题

会使用大数据平台是机器学习的基本功

   BAT的机器学习工程师，基本上都被要求使用hadoop这样的大数据平台来解决问题，为什么？机器学习是一门建立在数据之上的科学，数据越多，你的机器学习模型才会越聪明，放着BAT大量的数据不拿来用，岂不是傻？

   当然，如果看官说，BAT不是我的菜，我只想找个能做机器学习的地方就行了，那么请自行略过。

深度学习和机器学习的关系

深度学习是机器学习的一种。千万不要以为机器学习的群不讨论深度学习

    深度学习特指的是机器学习理论体系中，通过深层神经网络方法来训练模型解决问题的那个分支。

深度学习为什么好：

1) 以前能做的，现在做得更好。  

       比如Hinton的学生Alex采用深度神经网络出战imageNet，一炮打响，将多年来压制神经网络发展的SVM挑落马下，终结了SVM和神经网络之间的恩恩怨怨；

       Hinton老师牛不牛？咱们以前发布过Hinton老师讲解深度学习的视频课程，没有看过的同学赶紧来补习一下咯：听Hinton讲深度学习

       比如RNN应用于短文本分类任务，带来显著的效果提升。（这篇文章带你来复习一下RNN：循环神经网络(RNN) 基础浅析 ）

      下图是以前小编训练的一个RNN写诗的效果。是不是还不错呢？

2) 以前不能做的，现在能做。比如端到端学习。

 

普通机器学习是不是可以扔掉了 不学了？

        1）深度学习脱胎于机器学习，所以基本套路不能脱离，比如怎么评估模型、怎么做特征工程、怎么解决样本不均衡，这些思想是一致的

        2）普通机器学习方法仍然具有现实价值。比如一般工程中要做一个模型，首先会用传统模型（比如LR、GBDT）做一个baseline，然后再用深度模型来增强它。通过模型融合的思路，传统模型和深度学习是可以做融合的，得到一个最优模型

        3）总之，机器学习的基本武学还是不能荒废。当然，有些模型在一线公司里逐渐没有人用了，比如SVM。学习要注意分清轻重。

小伙伴们，一般当我们谈论LR时，我们说的是逻辑回归（对数几率回归）

会使用Python还不够

   BAT的机器学习工程师，会使用Python还不够，还需要会使用C++或者Java中的其中之一。为什么？因为虽然你可以使用Python训练机器学习模型，但是当你的模型需要上线提供实时服务的时候，你就必须在原业务的架构上去做上线开发了。以百度为例，不论大搜索还是凤巢，系统都是用C++编写的。因此，光能训练牛逼的模型还不够，你还得会上线开发，才能真正拿到这个牛逼模型带来的KPI。

 当然，您也可以说，BAT不是我的菜，请自行无视上面的内容。

想要和小编有更多交流，请加入我们的微信群：

私房文章*海量资料*关注我

点击下方“阅读原文” 下载本文的PPT↓↓↓