3招打破機器學習工程師的邊界

本文約1300餘字，閱讀需要約3.2分鐘；

系統資料領取見文末；

關鍵詞：人工智慧，機器學習，深度學習，數學，學習建議，微專業

01.機器學習工程師的邊界是什麼？

大多數的事物都是有邊界的。那機器學習的邊界又是什麼呢？

對，就是數學。掌握了數學這個機器學習的底層基礎，不僅可以加深對演演算法的理解，還能在模型最佳化階段更加遊刃有餘。

02.如何打破邊界？

希望以下的內容能給你參考思路。

•   機器學習中的數學基礎

方法建議：將實際意義與興趣賦予看似枯燥的學習之後，儘量死磕最少必要知識。

上圖是個使用邏輯回歸判斷一個男生是否是一位合適的女婿的例子。

其中，Y=w1*身高+w2*品德+w3*財富+w4*顏值+w5*就可以表達為多項式Y=w1*x1+w2*x2+w3*x3+w4*x4+w5*5，透過Sigmoid函式後，轉化為該男生可能成為優秀女婿的機率問題。

這裡會涉及sigmoid函式、求導演演算法、梯度下降、正則項控制過擬合等數學知識。遇到問題解決問題，死磕關鍵點，才不會鑽入牛角尖，陷入數學知識的汪洋大海中孤立無援。

•   機器學習中的線性代數

方法建議：儘量將線性代數與現實意義結合起來

對於線性代數，理解它與機器學習的關鍵在於：理解線性代數與現實世界的巧妙的耦合。

上圖中的x，y可以分別代表觀察事物的2個維度。

x，y各自有大量的線性組合，意味著事物的2個維度有大量不同的看法，

將這些看法用機器來進行計算、歸納、演繹，並組合大量個別的看法，抽離出符合大多數的平衡點，從而得出普遍適用的結論。這不就是一件奇妙的巧妙而耦合的事件嘛~

•   機器學習中的機率統計

方法建議：儘量將看似無味的機率統計知識與感興趣的話題結合起來理解

隱馬爾科夫（HMM）演演算法是機器學習中的一個機率圖模型，也是很多演演算法崗位面試中的考察難點。來自知乎的王蒟蒻，就用一個遊戲的場景清楚的解釋了隱馬爾科夫（HMM）演演算法的原理。

https://www.zhihu.com/question/20962240/answer/33614574(連結)

我是一戰士，修煉出了三種戰鬥形態，分別為暴怒態，正常狀態和防禦態。同時我也會三個被動技能，分別是普通平A，爆擊(攻擊傷害翻倍)，吸血(生命汲取)。

我在暴怒狀態下打出暴擊的機率是80%,打出吸血機率為5%；
在平衡形態下，打出暴擊的比率為30%，打出吸血的機率是20%；
在防禦形態下，暴擊成功機率為5%，吸血機率為60%。

總結一下，戰士在不同狀態下能打出技能的機率不一樣。

本來，戰士這個職業在暴怒態時，身邊會有一圈紅光環；防禦態時，會有一圈藍光環。但是，現在我正在玩遊戲，遊戲突然出了個bug：有個傻x程式員改了遊戲的程式碼，他給寫崩了，從此戰士身邊光環都看不見了。那我沒法透過看腳下的光環知道戰士在爆什麼狀態了。

話說，現在問題來了：由於看不到腳下光環，我只能估計“戰士”在爆什麼狀態；但我現在打一boss，砍10次，發現8次都是暴擊，血嘩嘩地翻倍在掉，你覺得我這戰士最可能是爆了什麼狀態？

所以，透過自己感興趣的話題來理解深奧的機率問題，就輕鬆很多了。

 

03.打破邊界的誤區

也許你早已意識到高等數學、線性代數、機率統計對做機器學習的重要性，也在積極補課中，於是一頭扎進大學的教材中。但埋頭死磕了好多次，每次都半途而費，學了很多，學到的很少。

因為教材始終更偏向理論。優點是每一步都可靠，邏輯嚴謹；但缺點就是很難理解。

古語有雲：“獨學而無友則孤陋而寡聞”，多人學習，協作學習能較快認識到打破機器學習邊界的誤區，盡可能的使用合適的學習方法。

推薦網易雲課堂聯合稀牛學院共同推出的人工智慧系列微專業課程，由知名企業一線人工智慧專家打造，結合工業界應用經驗設計學習路徑，並且有講師助教為你答疑解惑，真正帶你從入門到精通。

以下福利限時免費：

PART 1  免費直播

直播主題：

金牌助教親自幫你測量：從小白到AI工程師的距離

10月18日 週四 20:00>

直播大綱：

• 從0到1，小白都會遇到哪些坑？

• 自我驅動，手把手教你如何持之以恆

• 自我剖析，找到適合自己的學習路線

• 知己知彼，不可錯過的AI崗位解讀

直播講師：

鄭林峰 人工智慧數學基礎微專業金牌助教

PART 2  免費體驗課

《人工智慧數學基礎體驗課》

課程大綱： 

為什麼說學人工智慧之前必須先學數學

大學數學知識複習（高數、線代、機率論）

《人工智慧數學基礎》微專業課程試學

PART 3  免費學習資料

獲取方式

群號：866057600