人工智能的浪潮正在席卷全球,这些得益于数据量的上涨、运算力的提升和机器学习新算法(深度学习)的出现。机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的重要技术之一,甚至有人认为“深度学习最终可能会淘汰掉其他所有机器学习算法”。
为了帮助大家更好帮助大家学习这些新技术,小遍整理了相关的学习资料,希望这些资料对刚入门的同行有所帮助。
机器学习:一种实现人工智能的方法
机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。
举个简单的例子,当我们浏览网上商城时,经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单,识别出这其中哪些是你真正感兴趣,并且愿意购买的产品。这样的决策模型,可以帮助商城为客户提供建议并鼓励产品消费。
机器学习直接来源于早期的人工智能领域,传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。
传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平,但每前进一步都异常艰难,直到深度学习算法的出现。
深度学习:一种实现机器学习的技术
深度学习本来并不是一种独立的学习方法,其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛,一些特有的学习手段相继被提出(如残差网络),因此越来越多的人将其单独看作一种学习的方法。
最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念,可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果,人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过,但由于当时训练数据量不足、计算能力落后,因此最终的效果不尽如人意。
深度学习摧枯拉朽般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车,预防性医疗保健,甚至是更好的电影推荐,都近在眼前,或者即将实现。
三者的区别和联系
机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术。我们就用最简单的方法——同心圆,可视化地展现出它们三者的关系。
人工智能、机器学习、深度学习三者关系示意图
1)机器学习预备知识:
1.了解 Python Numpy 模块:Python Numpy Tutorial
2.学习相关数学基础知识:
2)机器学习算法工程师技能图
三、深度学习学习技能树
1、深度学习预备知识:
①. Deep Learning |Coursera 的 1-3 门课偏理论
②. 翻阅《机器学习》(周志华著)前 2 章,了解机器学习的基本概念;翻阅 《数学之美》 (吴军著) 第 2-5 章,了解自然语言处理的重要概念;
2、深度学习技能图
四、机器学习算法工程师面试问题
5.开放问题
6.1 用过什么算法?
6.2 熟悉的算法有哪些?
6.3 用过哪些框架/算法包?
7. 基础知识
7.1个人感觉高频话题是 SVM、LR、决策树(决策森林)和聚类算法,要重点准备;
7.2算法要从以下几个方面来掌握
7.3不能停留在能看懂的程度,还要
五.学习建议:
机器学习和深度学习有一定的学习难度,要想在竞争中脱颖而出,就必须做到
l 保持学习热情,关心热点;
l 深入学习,会用,也要理解;
l 在实战中历练总结;
l 积极参加学术界、业界的讲座分享,向牛人学习,与他人讨论。
编辑&整理:数据小咖 End