AI之旅（1）：出發前的熱身運動
前置知識
??無
知識地圖
自學就像在海中遊泳
??當初為什麽會想要了解機器學習呢，應該只是純粹的好奇心吧。AI似乎無處不在，又無跡可循。為什麽一個程序能在圍棋的領域戰勝人類，程序真的有那麽聰明嗎？如果掌握機器學習，就能創造屬於自己的AI嗎？
??懷著這樣的好奇心，開始了在機器學習領域的探索。學習的第一步是從《吳恩達機器學習》公開課開始的，不可否認對於一個初學者而言，這始終是最好的入門課程。
??同樣的知識也有不同的學法，比如一個公式擺在面前，淺一點的學法是直接把它背下來便於應用。深一點的學法是探究公式的原理和推導過程。不同的人傾向不同的學法。
??當選擇了第二種學法後，“為什麽...”這個概念開始不停湧現。當想要掌握每一個知識點時，立刻感覺困難重重。如同在海面上遊泳試圖深潛，巨大的阻力撲面而來。
學習中遇到的第一個問題
??學習的過程總是磕磕碰碰的，一會兒這裏不懂，一會兒那裏不懂。等到補上了相關知識回頭看時，才會恍然大悟，啊，原來在這麽簡單的地方浪費了這麽多的時間。
??單位時間效率低，這是學習中遇到的第一個問題。為什麽會浪費這麽多的時間呢，一方面是花費時間在網絡上搜索信息，一方面是花費時間彌補缺失的前置知識。
??彌補缺失的知識應該不能算浪費時間，但是為了搜索信息而耗費大量的時間，就有些難以忍受了。除了鍛煉一下搜索信息的能力外似乎沒有什麽益處。
學習中遇到的第二個問題
??學習的過程就是不斷接觸和認識新事物的過程。具體在機器學習中，這些新事物就是一種種算法。一種算法了解完之後，總是處於似懂非懂的狀態，想要具體實現時不知從何下手。
??缺少直觀上的認識，這是學習中遇到的第二問題。為什麽會缺少直觀上的認識呢，一方面是因為無法看見算法之間的聯系，一方面是缺少一個簡單易懂的例子。
??以上種種都是學習中可能會遇到的困難，不斷克服困難固然會提升解決問題的能力，同時也消磨著學習的熱情。如果同時出現了太多的困難，很容易就有放棄的念頭。
??有沒有更加平滑的學習曲線？
換一種形式來學
??寫這些文章的目的，主要是為了把這磕磕碰碰的入門之旅記錄下來。同時也在思考一個問題，有沒有一種方式能夠幫助更多的人用更經濟的方法入門。
??設置前置知識：理解一個知識點需要的最低限度的前置知識，這裏僅對前置知識做簡要介紹。
??描繪知識地圖：在已掌握和未掌握的知識點間建立聯系，使得對於知識體系有個全局上的認識。
??構造最小模型：使用能夠呈現算法本質的最小規模的例子，能夠簡潔直觀地理解算法的本質。
從方程到矩陣
??下一篇要介紹的第一種算法是線性回歸，現在開始為理解線性回歸做一些準備工作。
??方程對於我們而言並不陌生，有幾個方程組就能解幾個未知數：
??仔細觀察方程組會發現每一列的未知數是相同的：
??如果把參數視為三維空間中的向量，方程可以表示為向量的線性組合：
??如果把未知數也視為一個向量，方程也可以表示為矩陣和向量的乘積：
??那麽下一個問題是，如果方程組的數量多於未知數的數量時該怎麽解方程呢？這種情況可以用線性回歸算法來處理。
??如果對向量和空間沒有直觀的認識，推薦觀看《麻省理工公開課：線性代數》，這裏面涉及的許多數學知識在後續中都會用得到。
Octave的使用
??動手實踐會加深理解，把代碼敲出來是很好的理解算法的途徑。Octave是一款適用於數值計算的開源軟件，相比於其他軟件，它的優點是代碼非常簡潔。本文中的代碼基於Octave實現。
??小任務：下載並安裝Octave。
??網絡上有很多介紹Octave如何使用的文章和視頻，這裏不再贅述，只講以下幾點，重點是要掌握通過幫助文檔來學習調用函數的能力。
??1，向量的表示
??2，矩陣的表示
??3，畫一幅圖
??4，實現一個for循環
??5，看到不會的命令時怎麽辦？
??6，英語不好怎麽辦？
https://ww2.mathworks.cn/help
結語
??至此我們已經具備了能夠實現線性回歸算法的技術水平了，是不是很驚訝？在下一篇中我們將使用類似的例子，對線性回歸的原理進行講解。讓我們開始探索之旅，走起！
AI之旅（1）：出發前的熱身運動