0x00
公司里有个算法部门，人很少，但都是精英。机缘巧合，算法部门的大神推荐了我Cousera上面的机器学习课程，然后就开始了我的入门经历
0x01
先学的是吴恩达老师的课程（毕竟Cousera的创始人之一），这门课让我对机器学习有了一个基本的概念。
如果我们有很多房屋信息和他的房价，那我们是否可以找出规律，来预测其他房子的房价呢？这个问题交给一个人类去解决，那就是获取信息归纳总结的过程，而交给计算机，就是机器学习。
然后从这个问题出发，介绍了线性回归算法，通过画图让我学到了如何用梯度下降（gradient descent）一步一步逼近正确答案，来找到一个可以描述房价规律的函数。
再加上之后的逻辑回归和SVM等算法之后，让我内心形成一个概念：机器学习就是先找到问题的代价函数（cost function），然后通过各种方法来寻求他的最小值（或者极小值）。这不就是一个凸优化的问题嘛！感觉学会了这三拳两脚，就已经可以去预测彩票了。
最终我获得的技能是，可以通过一个数据集，来训练出一个可以有预测能力的系统。
0x02
算法部大神：“台湾国立大学林田轩老师的机器学习课程也很不错，可以看看。”然后这门课甚至改变了我的世界观。
课程首先真正抽象了整个机器学习的流程。之前我以为机器学习只是面对具体问题，套上合适的算法，就叫机器学习。其实呢，所有的机器学习算法都在做同样的事情，如下图：
机器学习的流程
也就是说，训练的过程，就是从一个假设集（hypothesis set）里面挑选出最合适的假设。
只会使用算法的我，一开始并没有假设集的概念，只是觉得最终的假设g是一步一步计算出来的。然而实际上我们在一开始决定g的形式的时候（比如线性，比如sign函数），就已经将他限定在一个集合之中，虽然看上去这个集合是无限大的。
然后课程的下一个问题竟然是，如何证明这一整个流程是可行的（如何证明我们可以从假设集中找到近似于f的g）！
我作为非科班程序员工作了一段时间之后，产生了这样的思维模式：解决问题的过程就是拿各种库和工具来直接调用，构建解决方案。为什么可以解决问题？这不是自然而然的嘛！这还需要证明？
那么问题来了，为什么会存在g近似于f？之后的课程就开始了一整个证明的过程，从二元分类问题出发，用霍夫丁不等式作为工具，一步一步推导出了结果。讲真，从头到尾听完之后，我觉得整个世界都是可以用数学来描述，这个世界是数学的。这门课程的这一部分证明过程改变了我对很多问题的看法，甚至想用数学模型来描述身边遇到的各种问题。
0x03
我并没有觉得林老师的课程就比吴老师的高级。虽然前者为我构建了理论上的蓝图，但是课程的内容其实和实际工程以及实际问题联系的不算太多。后者是深入浅出地介绍了如何应用机器学习算法，来解决实际问题。这两门课程是相互补完的，都学完了之后我才觉得我算是对机器学习有了一知半解。
他们都值得一学。
网友评论