赠书五本《零基础学机器学习》

1. 走下神坛的机器学习

我们马上就要进入20世纪的第3个十年啦，而人工智能和机器学习，也已经火了差不多有六七年的时间了。

 

从Hinton团队在2012年的ImageNet大赛中用神经网络模型一举夺魁开始，AI频频出圈。2014年吴恩达在Coursera 开了机器学习课，2015年周志华老师出了西瓜书，而2017年李彦宏把无人驾驶车开上了五环，AlphaGo打遍天下无敌手，波士顿动力机器人学会了后空翻，人工智能热到了极致。

 

 

——大家觉得，生活和信念正在被颠覆，崭新的时代即将来临。

 

到了2020年，虽然人工智能和机器学习热度仍在，却没有什么“惊天地泣鬼神”的新东西出场，和前两年相比，机器学习在媒体中的热度降温了。

 

那么，机器学习还香吗？内卷了吗？

现在开始学机器学习，还来得及吗？

 

先说一件事：

也就是两、三年前吧，有天早上一小美女同事带着熬夜排到的iPhone进了公司。大家呼啦一下围上来。最开始屏幕是锁着的，然后小姐姐面带着微笑把电话往自己脸前一晃——好帅啊，手机解锁了！当时我们这些围观群众都惊呆了……心想这什么黑科技啊……

 

这场景要是在今天重放一遍，大家会不会把我们全体人当傻子？—— 老土啊！不就是一人脸识别吗？这破技术早都烂大街了……

 

我说这件事是什么意思呢？——现在技术落地的速度，实在是太快了。一种“黑科技”，从实验室里面走出来，从学术界到工业界，简直是零距离。

 

事实上，机器学习开始真正吸引眼球，是从其分支深度学习的出现开始的。作为一种突破性的技术，深度学习把AI提升到了一个崭新的高度。新的飞跃的确尚未出现。但是机器学习和深度学习在数据分析、计算机视觉、自然语言处理、自动驾驶和机器人等场景中，具体的应用一个接一个的落地，层出不穷。因此，深度学习之后的主要发展，不全是技术的发展，而是实际应用场景的广泛拓展。

 

因此，我的答案是机器学习并没有内卷，他正在走下神坛，从学术殿堂的象牙塔中逐渐落地，成为一种应用技术。

 

在未来的AI世界中，会存在两种人：

·        第一种是继续寻求AI创新的算法工程师、数据科学家，努力寻找更好的算法和新的技术突破；

·       第二种是机器学习的应用者，对他们而言，机器学习就像Java/C++、Excel/PPT一样，只是解决问题的一种手段。是像英文、驾车一样不得不会的工具。

 

第二种人会比第一种人多很多，也一样会很有价值。

 

也就是说，只要你从事与大数据、IT相关的工作，你可能就得多少学点机器学习的知识，多少会使用一些机器学习模型。——即使你的目标并不一定是成为机器学习和算法工程师。

 

也许：

• 你需要对未来的业务数据进行预测——可以应用回归和分类模型；

• 你需要进行大数据的分析和处理——比如开发或优化推荐系统；

• 你需要对非结构化的图片进行特征提取——比如为产品加入人脸识别功能；

• 你需要通过强化学习训练智能体——比如训练更聪明的聊天机器人。

 

下图是一些机器学习的种类和应用场景，大家可以看看（覆盖未必很全面，因为机器学习的应用领域发展太快）。

 

机器学习的种类和应用场景

2 为什么写这本书

这本书，正是写给需要“懂”机器学习，并需要在工作中用到机器学习技能的人的。

 

市面上，深奥的理论和细抠算法的资料太多。而如何从零基础开始，手把手教人“用”机器学习的教程太少。

 

这就像一个人来到驾校想学车，而驾校的教练带他走进了造汽车的工厂，说：”来，小伙子，我们详细讲一讲你面前的这辆车是怎么造出来的。”

 

——这样不合适，顺序反了。

 

应该是先学会开车，把车开好了，然后如果真有兴趣，再去了解车的内部结构。

 

为什么我这么看中“开车”而不是“造车”？这和我的职业有关。

我是技术顾问出身，年轻时出过几本很普通的SAP书（凡尔赛），后来一直给一家大客户做SAP系统实施和维护，生活像温水中的青蛙一样平静……

 

突然有一天，大客户说，SAP License太贵了，我们准备停用了。上云。你们给找找云软件，替代掉SAP。

 

从那天开始，我们这组人的生活就不再平静了。大家各显神通，也经历了各种培训，一段时间之后，都化身为了云计算、AWS、Azure和各种SaaS供应商的专家，为客户提供云解决方案。

 

然而好景不长，客户成功上云之后，我们再次面临没事可做的窘境。

 

新的增长点在何处呢？（打工人！总要恰饭）

 

思考之后，我们有2个主要发现：

• Workday、Salesforce这样的SaaS软件、AWS等云服务实在太好用了，让客户从繁琐的业务流程中逐渐解脱出来；

• 客户开始把眼光投向他们手头所积累的数据，并希望我们能利用这些数据，为他们解决运营或者增长相关的高附加值问题，即产生洞见，优化运营。

 

原来的客户抛给我们的第一个新项目，就是通过收集的详细用户信息，对用户进行画像，然后找出具有高欺诈风险的群体，他们将进行对其账户更严格监管。

 

另一个客户给我们的挑战更大——他们是印尼一个较大的打印纸生产商，拥有上万公顷的树林，他们问题是每年需要派出大量的人力、物力，去深入森林勘察，侦测出今年哪个片区的森林已经成熟，值得砍伐。

 

新项目一个接一个的来了。

 

我们发现——这些“新”的“不同”类型的有趣项目，无不与数据相关，无不与“机器学习”相关。

 

如果你了解一些AI具体技术，你应该会知道第一个项目是一个典型的机器学习问题，而第二个项目，解决方案是使用无人机进行航拍，收集海量视频和图片数据，然后通过深度学习的方法发现图片中的颜色和模式，然后智能定位已经成熟或者发育不良的林区，对症下药。

 

好了，从这时起，我们又摇身一遍，从“云计算”专家化身“机器学习”应用专家。

——其实，这个变身的过程，与我在《零基础学机器学习》书中所描述的故事大同小异。

 

说了这么多，这些事情到底与这本书的创作有何关联呢？

 

作为一个咨询顾问，我有自己的创作目的：就是从实际出发，强调“机器学习的应用过程”，想象着有一群像我一样的，具有一定IT背景的读者、学生，从0基础开始学起，该如何循序渐进，逐步深入，不多不少，恰到好处的给出其入门机器学习所最需要用到的知识？以节省它们的时间和精力呢？

 

因此这本书就是我在机器学习项目实战过程中，所发掘到的对实际工作最有价值的内容记录，能够让“应用型”的你作为接触机器学习的良好起点。

 

3 如何零基础入门

那么，如何入门机器学习呢？

这里总结一个较为轻松的入门路线，无论是否阅读《零基础学机器学习》，都可以参考一下。

 

①打消掉畏难情绪

我第一个要打破的刻板印象就是——机器学习很难，里面有一大堆的算法。

 

这主要是由于信息过载，初学者往往不知道从何开始，一开始一大堆新概念和算法上来头就晕。

 

我太了解这种知识过载给人带来的焦虑和苦恼了。因为我本人也不是一个研究型的学习者，读论文可从来不是我的强项。

 

大家首先可以放心，机器学习——真的不难！而且比起前端/后端、Java、C++、微服务和分布式系统开发等互联网技术相比，入门机器学习不仅不难，而且还是太简单了！

 

我在《零基础学机器学习》中，特意设置了2个角色：

咖哥引导小冰入门

 

这本书用小冰的学习过程，串起了整本书的学习流程。初学者容易遇到的问题，小冰这个AI小白都会碰到，此时技术专家咖哥则从各种角度给以指导。

有小伙伴一起，你也可以轻松而快速地入门机器学习！

 

②打牢入门基础

在此基础上，增加机器学习必备的基础知识和实战构架，这是最最重要的内容。

请牢记，无论学习哪一领域，大家一定要在一开始就看到全貌，这样才能有的放矢。

  

下图是机器学习上手就需要掌握的内容，学起来一点都不会累。只需要花费不到一周的时间，就能打牢入门基础。

机器学习基础

夯实这些机器学习领域的基础知识后，我们就可以上路了。

 

③从实战出发解决实际问题

解决了“入门难”这个事儿之后呢，下一个着力点是“我们要用机器学习干什么？”

 

学一样东西，如果没有看到学了之后具体有什么用，怎么使用，那简直是浪费时间。

所以，如果想让自己的学习有结果，就要特别强调实战。

 

实战案例的选择，需要具有实用性，比如银行客户流失率的预测、疾病风险评估、网站用户的聚类等等。大家可以在Kaggle网站上寻找数据集、训练机器，参加机器学习竞赛，只有解决了实际问题，才能明白机器学习是怎么一回事。

 

对于我来说，一切抛开实际应用的理论都不是为入门阶段的读者所准备的，所以我在书中也准备了非常多的训练项目。

此外，我还添加了一个小小的设计——

 

一般的课程思路是这样的：

• 讲解理论 →介绍工具→解决问题

 

这本书的设计思路是这样的：

• 提出问题→讲解理论→介绍工具→解决问题

 

这一小小的设计，会让待解决的问题在整个学习过程中一直在我们的头脑中打转，也让我们的学习过程充满目的性。

 

以结果为导向，是我在学习过程中所特别强调的。

 

④总结出一个实战套路反复演练

重点来了，有了学习目标，还需要一个完善的、经过实证检验的套路，方便大家检验习得的技能。

 

那么机器学习实战有没有套路？

 

有套路，请看下图：

 

这是在机器学习项目实践中总结出来的流程， 在书中所有具体机器学习项目实战章节中，全部套用同一个实战套路。

 

具体包括：

·        线性回归，

·        逻辑回归，

·        深度学习，

·        卷积神经网络，

·        循环神经网络，

·        集成学习，

·        非监督学习，

·        生成式对抗网络，

·        强化学习等

 

将各种各样的机器学习模型反复演练，强化上图中的套路，每强化一次，你就会觉得机器学习愈发简单，而且逐渐变得充满乐趣。

 

下图就是《零基础学机器学习》为新手精心设计的入门路线。

 

 

好了，说了这么多书的事儿，我们回到文初的问题上面：机器学习内卷了吗？

——机器学习当然没有内卷，机器学习只是正在被越来越多的人所了解，正在被越来越多的企业所应用，正在渗透进我们生活中的方方面面。这叫做落地，而不叫什么“内卷”。

 

使用机器学习的技术，去解决工作和生活中具体的问题，在数据中提炼出价值，那是多酷的一件事情！

 

 推荐阅读

《零基础学机器学习》

本书的目标，是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松地掌握机器学习的基本知识，从而拥有相关的实战能力。

《零基础学机器学习》通过AI“小白”小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。本书所有案例均通过Python及Scikit-learn 机器学习库和Keras 深度学习框架实现，同时还包含丰富的数据分析和数据可视化内容。

本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。

福利时间：

截止到 2020 年 1 月 2 日晚上 10:00，文末留言，写下你的机器学习入门经验，纯刷留言的我不会将它们显示出来，显示出来的 5 名同学，而且点赞最多的，送出《零基础学机器学习》一本！

小伙伴也可以直接通过点击“阅读原文”里的链接购买。