開篇詞 | 入門機器學習，已迫在眉睫

大家好，我是李燁。現就職於微軟（Microsoft），曾在易安信（EMC）和太陽微系統（Sun Microsystems）任軟體工程師。先後參與過聊天機器人、大資料分析平臺等專案的開發。在未來的 10 周裡，我將通過“機器學習極簡入門課”與同學們分享關於機器學習方面的一些心得。

課程背景

首先，我們來看一下當前機器學習領域招聘市場的行情。

上面表格中所有帶有“演算法”、“人工智慧”、“資料探勘”、“視覺”字樣的職位，都需要懂機器學習。

在產品和服務中應用機器學習模型，已經逐步成為了網際網路行業的通行方法。甚至很多傳統軟體企業，也開始嘗試應用機器學習。說得更直接一點，人工智慧正處在炙手可熱的風口浪尖上，作為程式設計師不會機器學習都不好意思去找工作了。

很多技術開發者迫切希望快速進入人工智慧領域，從事工程或者演算法等相關工作，這也是我推出這門課程的初衷。

課程大綱

本課程針對機器學習初學者，從機器學習、深度學習最基本的原理及學習意義入手，以模型為驅動，帶領大家吃透幾大最經典的機器學習模型——學習其原理、數學推導、訓練過程和優化方法。配合精心設計的極小資料量的“極簡版”例項，方便讀者從直觀上了解模型的執行原理，利用例項大家還可將自己變身為“人肉計算機”，通過口算/筆算每一步的推導，模擬演算法全過程，進而徹底理解每個模型的運作方式。結合自身實踐經驗，我總結了多個構建資料集、特徵選擇、調參、驗證模型的高效方法，並教授大家如何同步進行程式語言學習，助您快速擁有機器學習產品開發的基本能力。

本課程大綱分為六大部分，共計 42 篇：

第一部分：緒論

• 授人以魚不如授人以漁。本部分從意義和作用出發，給出相應的學習方法和與理論配套的程式設計學習。

第二部分：基本原理

• 深諳其理，才能靈活應變。本部分開始帶大家瞭解什麼是機器學習、機器如何自己學習、以及機器學習三要素：資料、模型、演算法之間的關係。

• 模型是機器學習的核心，那麼模型是怎麼得到的呢？本部分也將講解模型的獲取（訓練）和評價（驗證/測試）過程，相應的資料集合的劃分以及具體的評價指標。

• 這部分知識和後面講述的具體模型結合起來，就可以實踐了！

第三部分：有監督學習 I

• 抓住關鍵，個個擊破。本部分重在詳細講解有監督學習中經典的線性迴歸、樸素貝葉斯、邏輯迴歸、決策樹模型。這幾個模型不僅基礎、經典、常用，而且數學工具特別簡單。

第四部分：有監督學習 II

• 百尺竿頭，更上一層樓。本部分講述支援向量機、支援向量迴歸、隱馬爾科夫和條件隨機場模型，從支援向量機開始，數學工具的需求較之前上了一個臺階，難度明顯加大。

第五部分：無監督學習

• 無須標註，方便執行。本部分重在講解無監督學習中的聚類、高斯混合及主成分分析等模型。這部分模型的特徵是所需訓練資料無須標註，方便在各種資料上隨時進行嘗試。在現實中，經常用來作為有監督的輔助手段使用。

第六部分：從機器學習到深度學習

• 超越自我，實現蛻變。本部分重在講解深度學習基本原理、深度學習與機器學習的關聯與銜接、以及深度學習目前的應用領域，為讀者下一步學習“深度學習”奠定基礎。

整個課程以經典模型為驅動，講述每一個模型所解決的問題域，模型的原理和數學推導過程。作為課程的主體，第三部分和第四部分講解的每個模型，都附有例項和相應的 Python 程式碼。每個例子的資料量都非常小——這樣設計就是為了讓讀者可以用人腦模擬計算機，根據剛剛學到的模型演算法對這些極小量資料進行“模擬訓練/預測”，以此來加深對模型的理解。

你將收穫什麼

AI 技術崗位求職知識儲備

如果大家真的有意投身到人工智慧領域做技術性工作，那麼經過技術筆試、面試是必要條件。在面試中被要求從頭解釋某一個機器學習模型的執行原理、推導過程和優化方法，是目前非常常見的一種測試方法。機器學習模型雖然很多，但是經典、常用的很有限。如果能把本課程中講解的經典模型都學會，用來挑戰面試題相信是足夠了。

觸類旁通各大模型與演算法

各種機器學習模型的具體形式和推導過程雖然有很大差別，但卻在更基礎的層面有許多共性。掌握共性之後，再去學新的模型、演算法，就會高效得多。雖然本課的第二部分集中描述了部分一般性共同點，但真要理解箇中含義，卻還要以若干具體模型為載體，從問題發源，到解決方案，再到解決方案的數學抽象，以及後續數學模型求解的全過程，來了解體味。這也就是本課以模型為驅動的出發點。

極簡版例項體驗實際應用

運用到實踐中去，是我們學習一切知識的目的。機器學習本身更是一種實操性很強的技術，學習它，原本就是為了應用。反之，應用也能夠促進知識的深化理解和吸收。本課雖然以原理為核心，但也同樣介紹了：劃分資料集、從源資料中提取特徵、模型訓練過程、模型的測試和評估等方法和工具。

配套資料+程式碼快速實操上手

本課程中各個例項的 Python 程式碼及相應資料，大家可以下載、執行、改寫、參考。

課程寄語

我希望本課的讀者在知識和技巧的掌握之外，能夠將學習到的基本規律運用到日常生活中，更加理性地看待世界。

再遇到“人工智慧產品”，能夠根據自己的知識，去推導：How it works——

• 它背後有沒有用到機器學習模型？
• 如果有的話是有監督模型還是無監督模型？
• 是分類模型還是迴歸模型？
• 選取的特徵是哪些？
• 如果由你來解決這個問題，有沒有更好的方法？

我們自己用來判斷萬事萬物的“觀點”、“看法”、“洞察”，實際上都是我們頭腦中一個個“模型”對所聞所見（輸入資料）進行“預測”的結果。這些模型自身的質量，直接導致了預測結果的合理性。

借鑑機器學習認識客觀規律的過程，可以知道，模型是由資料和演算法決定的。對應到人腦，資料是我們經過見過的萬事萬物，而演算法則是我們的思辨能力。

我們作為人類不必被動等待一個外來的主宰者。完全可以主動訓練自己的思維模型，通過改進演算法和增大資料量及資料多樣性來提升模型質量——如果能在這方面給讀者朋友們帶來些許啟發，我實在不勝榮幸。

最後，預祝每一位訂閱課程的朋友，能夠通過學習找到心儀的工作，如果大家有任何疑問和建議，也歡迎通過讀者圈與我交流，我們共同學習，共同進步。

我之前分享的一場 Chat 《入行 AI，選個腳踏實地的崗位》中曾提到，工業界所需的 AI 技術人員，更多集中在演算法、工程、資料相關崗位之上，並全面總結了不同崗位角色所需要具備的素質、日常工作的狀態，及職業發展路徑。這場 Chat 也將收錄在課程最後，作為福利供大家免費閱讀，加油！