在數字經濟不斷推進的大背景下，人工智能（Artificial Intelligence）技術發展迅速，隨着硬件設備與時俱進，使得處理海量數據成為可能，人工智能與多種應用場景實現深度融合，逐漸成為推動經濟創新發展的重要技術。越來越多的研究人員將目光聚焦在AI，學界與工業界熱情高漲，都在嘗試「人工智能+」。
想要從事人工智能，系統的學習機器學習（Machine Learning）是重點。以機器學習為代表的人工智能技術已經取得了令人驚嘆的成就。從計算機視覺、自然語言處理、推介系統，到人臉識別、自動駕駛、醫學診斷和電子競技等，機器學習已逐漸普及到各領域之中。
大多數人的學習路線基本一致，首先培養編程思維，選擇一門編程語言（主流Python），在準備進入領域前至少具備編寫簡單程序的能力；此外，還需要一定的微積分、線性代數以及概率論基礎（但也不用為數學知識薄弱而感到過度懊惱）
然後便開始機器學習之旅，在機器學習中，你將了解到單模型與集成模型、監督模型與無監督模型、生成式模型與判別式模型以及概率模型與非概率模型，在此過程中你將獨立完成如「房屋價格預測」、「股價預測」、「真假新聞檢測」等項目。
說到機器學習，相信斯坦福大學Andrew Ng在Coursera上的公開課《Machine Learning》是大部分人的啟蒙課程，淺顯易懂，對小白非常友好。完成網課雖然對部分內容有了大概了解，但由於內容覆蓋有限，通常會搭配相應機器學習書籍。就個人而言，經過多番對比，選擇了更適合初學者的《統計學習方法》。關於這本書有幾點心得：
·首先作為入門的初學者，不需要字字斟酌且每章都看。比如我主要學習前八章中監督學習部分（SVM糾結後沒看）以及13-16章中的無監督學習，其他的根據個人需求拓展；
·其次不要從零造輪子實現各算法，過於浪費時間，閱讀優秀範例源碼能更快幫助理解知識點；
·最後對於章節經典算法建議手推。
該書的優勢是非常簡潔的敘述了模型和概念的本質，是許多從事算法工作者必備的「複習工具書」，無論是各公司算法崗面試時的「八股環節」，還是科研/工作中忘記經典理論，均可以在該書對應部分找到答案。
而最近，基於《統計學習方法》，李航老師推出了新作《機器學習方法》，更全面、更系統的闡述了機器學習主要方法。
全書共分為兩個部分共三篇，第一部分為機器學習，分為監督學習與無監督學習兩篇，第二部分（第三篇）為深度學習。
第一篇-監督學習：感知機、k近鄰法、樸素貝葉斯法、決策樹、邏輯回歸與最大熵模型、支持向量機、Boosting、EM算法、隱馬爾可夫模型、條件隨機場等。
第二篇-無監督機器學習：聚類、奇異值分解、主成分分析、潛在語義分析、概率潛在語義分析、馬爾可夫鏈蒙特卡羅法、潛在狄利克雷分配、PageRank算法等。
第三篇-深度學習：前饋神經網絡、卷積神經網絡、循環神經網絡、序列到序列模型、預訓練語言模型、生成對抗網絡等。
可以發現《機器學習方法》新增深度學習章節，具備機器學習基礎後，在深度學習（Deep Learning）中將進一步接觸更多有趣內容，為之後專注於某一個角色埋下種子。
書中每章節介紹經典機器學習方法，詳細敘述各個方法的模型、策略和算法。從具體例子入手，由淺入深，幫助初學者直觀地理解基本思路，同時從理論角度出發，給出嚴格的數學推導，嚴謹詳實，讓大家更好地掌握基本原理和概念。目的是使讀者能學會和使用這些機器學習的基本技術。為滿足讀者進一步學習的需要，書中還對各個方法的要點進行了總結，給出習題加強鞏固，延伸閱讀也給出了相應參考。
《機器學習方法》是機器學習及相關課程的教學參考書，適合人工智能、數據挖掘等專業的本科生、研究生使用，也供計算機各個領域的專業研發人員參考。
作者
啥都會一點的研究生（B站UID：46880349）
留言列表