一周入門，一年自通，機器學習沒那麼難

科技時代，我們更加懷念溫暖邂逅的時光

全文共2559字，預計閱讀時長3分鐘

機器學習是人工智慧的重要內容，在各種技術應用文章中被提及最多。但是隔著人工智慧的面紗，要理解機器學習，學習機器學習知識，總讓人覺得難以著手。

其實，對機器學習的研究早就開始，也經歷過幾十年的試錯，直到最近幾年，這方面的研究才真正開始向前推進。就像站在巨人的肩上，我們學習機器學習可以少走些彎路，直接從機器學習步入正軌的地方開始學習。

道理我們都懂，但具體怎麼做才好？說起來容易，做起來哪有那麼簡單？有沒有比較好的示範？

考慮到廣大同胞們的困惑和需求，今天我們要和你分享Per Harald Borgen的故事，從他的零基礎自學機器學習經歷，也許你會受到啟發。

Per Harald Borgen來自挪威，從事著計算機軟體方面的工作。2014年，他對機器學習產生了興趣，2015年，他開始了入門，然而，在5天的基礎學習中，他發現入門比想像的容易。在之後的一年，邊工作邊學習，他開發出了自己的機器學習演算法，並派上了用場。

入門比我想像的容易

在入門之前，Per Harald Borgen已經通過閱讀、視頻課程、理論課程，對機器學習有了基本的概念，但他仍然不能將知識轉換為代碼，這是他想要改變和做到的。雖然當時他只是一個業餘編碼員，但仍然想要嘗試。

在 Hacker News 上諮詢之後，他得出的結論是 Python 的 Scikit Learn 庫是最適合入門的。這個庫提供了豐富的演算法，將實際的機器學習問題減少到幾行代碼。

在一周5天的時間裡，他的學習路線是這樣的：

星期一：學習一些實例，逐步了解 Scikit 學習。

Per Harald Borgen最後他選擇了一個「使用機器學習投資股票」的教程。過程中，他發現，獲取和清理數據比機器學習更耗時。因此，編寫腳本抓取文件或網路中的數據的能力是一個機器學習「極客」的必備技能。

星期二：嘗試用機器學習解決實際問題。

「給定一個人的教育水平，年齡和收入信息，計算機能不能預測其性別？」Per Harald Borgen對這個問題產生了興趣。觀察和清理銀行提供的數據集，使用 Scikit Learn map 找到一個適合的演算法。雖然最後預測的成功率只有 63％，不過比拋硬幣准多了，而且能解決實際問題，這讓他備受鼓舞。

星期三：從頭開始，學寫演算法。

在玩轉各種 Scikit Learn 模塊後，Per Harald Borgen覺得自己其實不明白後台發生了什麼。好在coursera 課程詳細介紹了幾種演算法的工作原理，描述了最底層最基礎的概念。他就用Python從頭編碼了一個線性回歸演算法。追溯源頭、了解後台細節，Per Harald Borgen覺得是一種高效的學習技巧。

星期四：研究Kaggle的入門教程

Kaggle 是一個機器學習的競賽平台，你可以在其中提交公司或組織發布的問題的解決方案。Per Harald Borgen研究了 Kaggle 的入門教程，還做了一點點自然語言處理。他建議在對機器學習有一些理論和實踐經驗後再嘗試 Kaggle，否則可能沒什麼收穫，反而覺得沮喪。他大概也嘗到了沮喪的滋味吧。

星期五：繼續Kaggle教程的學習。

有什麼比一邊學習，一邊實踐，一邊交流，更能鍛煉和鞏固人的呢？用一周時間讓自己完全沉浸在一個新的項目當中，這是充實有效和愉快的。

哈哈，我掛了幾門AI課

Per Harald Borgen學習機器學習的路並不總是順順利利，比如成功掛掉了Coursera 機器學習課程。

原因不是課程的錯，只是對一個初學者來說，課程內容太難，很難跟上。再加上用的是一門新的編程語言Octave，同樣十分具有挑戰性，自己也最終放棄了。

適合自己的才是最好的，事後，Per Harald Borgen總結出了經驗。要麼是用機器學習圖書館來進行編碼任務，而不是從頭創建演算法，又或者至少是用自己了解的編程語言。

對於新手來說，學習一門新的語言，並同時編碼機器學習演算法，實在是太難了。應該從簡單和容易操作的東西開始學，而不是困難和理論性的。

同樣掛掉的還有神經網路課程。

Per Harald Borgen想要複製在機器學習周取得的成功，將經驗用在神經網路，結果失敗了。原因在於，時間和精力容易被分散。

不同於機器學習周，當時自己處在一個訓練營地，周圍都是機器學習的愛好者，每天就專註著學習機器學習。而學習神經網路，卻沒有這樣一個相對封閉的環境和積極的氛圍。

但是，至少也開始著手從事了神經網路的研究，並且也慢慢掌握了要領。終於在幾個月後，成功編寫了自己的第一條網路。(此處應有掌聲……)

一年後，成功為公司開發了個演算法

2015 年聖誕假期，距離一周的入門學習已經過去了10個月，Per Harald Borgen已經積累了一定的實踐經驗和知識儲備，他再一次鼓起勇氣，決定試驗 Kaggle。

他花了相當一段時間來試驗各種演算法，用於測試 Kaggle 的住宅報價轉換，奧托集團產品分類，以及自行車共享需求競賽。通過試驗各種演算法和數據，使結果得到不斷改善，這是他最大的收穫，也學會了要在做機器學習時相信自己的邏輯。

在做了以上所有工作之後，Per Harald Borgen覺得自己已經準備好在實際工作中做一個機器學習項目。

他通過閱讀對企業的描述和簡介訓練出一套演算法，來幫助自己任職的公司Xeneta更好地發現潛在客戶，確定銷售線索。並且實際證明，這替銷售部門的員工節省了大量的時間。

在他的開發日誌里寫著：「走到這一步確實是一個漫長的旅程，但其實也很快。在我開始一周入門的學習時，我完全沒想過自己能在一年的時間內熟練使用機器學習。但是這是100%有可能的。而如果我能做到，你也一定可以。」

讀芯君開扒

我有經驗有方法，你有心嗎？

梳理Per Harald Borgen自學機器學習過程，讀芯君從他身上總結出了幾條經驗：

1. 興趣不能當飯吃，試過才知道。人工智慧一火，帶起了不少人的興趣，但大多數人只停留在興趣和觀望，少了行動力。其實不管好與不好，難於不難，只有自己試了才知道。零基礎怕啥，誰還不是一點點學起來的？

2. 做個實用派，從實際問題出發，自上而下學習。大學裡的專業教育的思路常常是自下而上，先儲備各種理論知識，必要技能，打好基礎，再靠實踐，一步步往上，解決實際應用中的問題。但Per Harald Borgen是從實際出發，找到一個與AI有關，自己感興趣或者就在身邊的問題，尋找解決問題的方法，根據需要學習理論知識和技能。這種自上而下的學習，其實更有趣也更高效。

3. 我的節奏我做主，先易後難，適合自己的最好。雖說網上的優質資源很多，但不見得適合每一個人。選擇時，還要量體裁衣，量力而行。太難了，打擊信心，沒成就感容易放棄。還是從易到難，循序漸進，沒有誰能一口吃成一個胖子，擔心消化不良。

4. 組隊學習，事半功倍。一個人學是孤獨，兩三個人一起組隊學，過程就會順利很多。有難題，可請教；有爭議，可討論；想放棄，沒面子；比一比，勁兒更足。和志同道合者一起，能創造出很好的學習氛圍，效率更高。

5. 這話你可能不愛聽——沒有什麼是堅持解決不了的，如果有，就繼續堅持。

機器學習永遠是沒有那麼簡單，但也沒有我們瞎YY的那樣難，讀芯君有計劃有方法，關鍵是，你有心嗎？

留言 點贊 發個朋友圈

我們一起探討AI落地的最後一公里

作者：六個太陽

參考文獻：

http://dataconomy.com/2016/10/machine-learning-year/

http://www.sohu.com/a/129004140_308467

如需轉載，請後台留言，遵守轉載規範

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！