机器学习的一点感悟
Posted drfxiaoliuzi
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了机器学习的一点感悟相关的知识，希望对你有一定的参考价值。
数学基础
微积分。首先由于连微积分最基础的知识都忘记了，就先回去补高数了，虽然大学上课认真听课了，但是不是学霸那种，毕业后基本没怎么用过，就全还给老师了。
看大学教材，这里我用的是gitchat上李烨老师推荐的《微积分讲义》北师大出版社，书很薄，很适合快速过一遍。
我属于看书没有做题的，因为懒。我觉得大学期间，很多时候都留在做题上了，我整个教育历程都是题海战术。但我忽视掉了，真正的数学定义中的物理和几何意义。这里重点补充了一下。
如果后面想往算法科学家方向发展的话，这部分还要继续强化，做题，多练，多看书和例子。
mit的在163上 的公开课也非常棒。
线性代数。由于第一份工作用到了矩阵求逆并行优化相关的工作，这个在当时认真学了，而且当时包括现在的理解，线性代数，只是进行矩阵变换和运算。
概率论。这个是弱项，从高中开始，抽球，就抽不明白，现在也没太明白。但是我属于对学习资料比较苛刻的那种人，各种强调器，而不去做事。其实如果用心学随便一本，都可以内化成自己的知识。
但我暂时还达不到。这里标记下，学知识不是为了满足自己的我很上进的样子，也不是为了学过这些知识以后，自我满足感。一定要强调自己的内化，就是拍着自己的胸脯问自己，你真的学会了吗？
那么，你学到了什么？都理解了吗？没理解，好，说明没学会，那就重新再看视频，查阅各种相关资料，每天吃饭睡觉都去想，去琢磨。
这里我推荐台湾大学的叶丙成老师的《机率》课，非常棒的概率课程。跟着学就好。教材，请打印ppt。
统计学。网上有国外的公开课，暂时还没有补到。
大家多利用好网上公开课视频。我自己本人是，基本上所有的公开课app都装了（买了这么贵的手机，不能白买）。
待看部分
《数学分析》补充高数基础
《数值分析》如何用计算机来求导，求函数值。（大学cs本科课程）
机器学习
首先推荐吴恩达老师在cousera上的机器学习公开课，这个课程非常浅显易懂，基本你看完微积分，学会求导，求偏导的物理意义，知道矩阵乘法，就可以看了。
这门课非常好，老师讲的非常浅显易懂。我甚至觉得高中生，学完微积分，求导，了解一下矩阵，如果会编程，都可以学了。
建议边看边做笔记，做完笔记，虽然耗时间，但是我属于看十遍不如写一遍，一般的视频，看两遍，某个看3遍就可以理解了。
有网友推荐台大的林轩田的视频，这个我刚看了开头，还没详细看。
至于机器学习相关的书籍，我觉得周志华老师的西瓜书《机器学习》对我来说太难了，大神觉得简单，请无视我。
因为我很多符号都看不懂，这里一位网友说过一句话，我觉得有一定道理：数学符号不统一，导致了门槛较高。
但是，坦白说，我自己太菜了，其实符号大同小异，但的确入门如果一味钻进去抠符号什么意思，是很恼人的。但没啥别的办法，多去搜，多去看。
不要急，不要烦，机器学习就这么多符号，它不是无穷尽的，踏踏实实一个一个搞。肯定能搞尽，这里我主要靠愚公移山的精神。
《统计学习方法》看着更头大，暂时先不看，以后回来补。
特征工程和最优化相关书籍
《凸优化理论》Dimitri Bertsekas
《最优化理论与方法》袁亚湘 孙文瑜
英语
我买了赖世雄的英语语法和音标。
对于买书，我从不吝惜，希望自己也能一直保持着这个习惯。
基本200以内的书，真的需要，或者我知道自己买完了一定会看，我从不犹豫。但仍然有很多书没买，amazon上的购物车，常年有上千的书存着，因为穷。
之前是怕搬家麻烦不买。个人觉得电子书的确方便，但的确适合查阅，不适合阅读。
AndrewNg的课程，建议大家去网易公开课上看，那里的版本是比较好的，建议先中文，然后达到英文听课的程度，因为真的不难，我自己英语很菜。
英语这个技能是必备的，只要你从事计算机这一行并且想往上走，没啥商量的。平时查stackoverflow也要看的。
编程语言
当然首选python啦，amazon上有一本让繁琐工作自动化的python书，非常简单，适合无基础的人，如果你和我一样弱，那就看它吧，上手非常快。
最后说一下：
不要被高大上的符号或者专业术语吓倒。
张量，梯度下降，牛顿法，贝叶斯公式，机器学习，人工智能，神经网络，特征工程，凸优化。
不要慌张和盲从，一点一点看，一点点去学习。踏实下来，抽丝剥茧，如果你真的想知道这些名词是什么意思，一个月就足够了。
老师还推荐了《人工智能基础》是由商汤的汤晓鸥，主导写的，写的非常浅显易懂，适合我这样的菜鸟。
里面有个对机器学习的介绍：机器学习是根据数据，做出预测或者判断。
我觉得写的非常简练。的的确确就是这么一回事。
学完对机器学习的理解，昨天碰巧在网上遇到这张图，就不用自己画了：
看完cousera上Ng的课，里面如果有不清楚的，可以看下面的，建议手动推导一遍梯度下降算法，再用python实现一遍梯度下降算法。
尽可能所有的公式都通过推导一下，提高自己的运算水平，补充之前没有做题的缺陷。而且自己也能真正明白。
最好也能用代码来实现一遍，如何用计算机求导。
图片来自《机器学习需要的技能》(如侵，联立删)：
https://segmentfault.com/a/1190000005356857
梯度下降手动推导：
https://www.jianshu.com/p/fcd220697182
python实现梯度下降：
https://ctmakro.github.io/site/on_learning/gd.html
以上是关于机器学习的一点感悟的主要内容，如果未能解决你的问题，请参考以下文章