Python大本營每日一課

大家好，我是營長，上期營長分享了“面向對象練習”：，不清楚的小伙伴可戳這????每日一課 | 面向對象練習（硬核）

本期營長將為大家分享新的內容知識，“機器學習極簡入門”

這期分享營長邀請的是李燁（算法工程師）分享Python 全棧 450 道常見問題全解析。

如何學習機器學習（開篇導讀）

DAY01?

學習“機器學習”這件事，我走過很長的一段彎路。有一些心得、體會和方法，在此和大家分享。

以模型為驅動，了解“機器學習”的本質

本課力圖引導大家以模型為驅動，進行學習。

我選擇了幾種經典模型（例如：線性回歸、邏輯回歸、決策樹、支持向量機、條件隨機場、K 均值等），作為入門的進階。

初次學習模型，不必貪多。但就這些選定的模型，一定要搞清楚其問題域、模型函數、目標函數、訓練算法……潛入到數學公式推導的層面，對每一步的公式變換和對應的物理意義有所理解，然后再去實踐。

這一個個的模型，就是機器學習的“肌肉”，我們要通過觀察學習這一塊塊肌肉，以其為載體來了解機器學習的核心——將事物轉化為數值，將關系、變換轉化為運算，以事實（數據）為依據，以規章（算法）為準繩，通過計算來掌握事物的客觀規律（模型）。

要知道，這些經典模型固然經典，但是到了實際應用中，它們并非神圣不可改變。也不是說機器學習就僅限于這些經典模型。

只有掌握了機器學習精髓的人，才可能靈活運用現有模型去解決實際問題，甚至進一步針對具體問題得出自己的模型和算法。

反復學習，從記憶到掌握

當然，達到這種程度并非一蹴而就，總要從最簡單的模型開始。

根據我的經驗，即使要真正掌握本課列出的這幾個最常用且相對簡單的模型，也需要反復學習。

有可能第一遍看完有點似懂非懂，或者感覺自己明白了，但要自己從頭推導又卡殼了。

就像剛學完又忘掉的生字，或是背了一半后半部分怎么也想不起來的九九乘法口訣。這都是非常正常的現象。究其原因，就是還沒有真正掌握。

多學幾遍，從頭到尾掌握整件事情的邏輯，知道一個模型是怎么從最初設定目標，到一步步實現目標的——當真正掌握了這個過程之后，再回頭看一個個具體的模型，每一步都是順理成章的。

掌握了事物內在的邏輯，再去記憶，就容易多了。

學習標準設置得不必太高，比如可以這樣：

第一遍學，只要求自己能完全掌握機器學習數據、模型、算法相互作用的基本關系，訓練過程和評價標準。具體的模型，掌握最簡單的線性回歸就可以。

只要從頭到尾掌握了第一個模型，做到：能夠從模型函數開始推導出目標函數，再用梯度下降算法求解，用（偽）代碼實現梯度下降求解過程。

第一遍學習掌握一個模型；第二遍學習就不難掌握2-3個模型；第三遍就有可能掌握本課列出的大部分模型………如此由易到難，螺旋式推進。

對于一些本身就比較復雜的數學模型，比如條件隨機場、隱馬爾科夫這類涉及場論和勢函數的模型，如果直接入手，往往會卡在模型函數本身上。但是當有了前面幾個模型的基礎，了解了更抽象層面的原理，掌握起來就容易多了。

數學需要多精深？

很多同學，想學機器學習。但是一上來就看模型，看到一大堆炫酷的公式，往往感覺很嚇人。

有些人也就因此萌生退意，要么放棄，要么只用現成工具把模型當作黑盒使用。

其實，學習經典模型，并不需要多么精深的數學功底，只要掌握大學理工科本科所教授的數學知識就基本夠用了。

基礎數學概念

在學習的最初階段，只要：

• 學過坐標系；

• 了解函數、向量和矩陣的概念；

• 能從直觀角度對求導、求微與函數的關系有所理解；

• 并掌握最簡單的矩陣運算。

就可以對本課中的經典機器學習模型有一定深度的感性認識了。

本課中的公式都是經過精簡的，務必要掌握。如果數學工具實在掌握得太少，最起碼也要讀懂一組公式推導中的第一個和最后一個式子：

• 讀懂它們都針對哪些變量進行了怎么樣的運算；

• 這些變量和運算的物理意義是什么；

• 第一個式子是對哪種真實場景的數學描述；

• 最后推導的結果又具備怎樣的特征。

初次學習者，可以暫且掌握到這個深度。

兩條路徑反芻數學知識

當然，僅僅掌握到這種程度，勉強可以套用現成的模型，卻不可能達到靈活運用的程度。

所以，同學們應力求理解每一步推導過程。

如果有可能，可以事先復習一下大學本科的高數（數學分析）、概率統計和線性代數。或者，在學習模型的過程中，一旦遇到了數學上的阻礙，就回頭去查找相應知識。

制定數學知識速查手冊

很多數學問題，之所以讓人頭大，其實并不是真的有多難，而是符號系統比較復雜，運算繁復，或者運算所表達的物理意義多樣。

很多時候造成困擾是因為想不起來這里用到什么定理，哪個公式，或者這樣操作表達的含義是什么。

如果把常用的細小知識點都記錄下來，按主題整理成速查手冊（小字典），需要用的時候快速查找對應的知識點，這樣我們的“機器學習”學習之路就順暢不少。

下面兩個是我自己制作的例子，供大家參考：

• 機器學習常用微積分知識速查手冊

• 機器學習常用線性代數知識速查手冊

日常學習 Tips

關聯

把新學到的東西和日常的工作、生活聯系起來，進行思考。比如：將理論代入現實，不同領域間事物的類比，相似內容的對比等。

以身邊的實例來檢測理論。不僅能夠加深理論知識的理解，而且有助于改進日常事物的處理方法。

記錄

準備一個筆記本，紙質版或電子版均可。有什么發現、感想、疑問、經驗等等，全都記下來。

如果是對某個話題、題目有比較完整的想法，最好能夠及時整理成文，至少記錄下要點。

隔一段時間把筆記整理一下，把分散的點滴整理成塊，一點點填充自己的“思維地圖”。

分享

知識技能這種東西，學了，就得“炫耀”——把學習到的新知識、理論、方法，分享給更多的人。如此一來，倒逼自己整理體系、記憶要點。這可以說是與人方便自己方便的最佳實例。

把自己的感想、體會、經驗分享出來的同時，也鍛煉了自己的邏輯思維能力和歸納總結能力。一舉多得，何樂而不為？

以上內容均來自CSDN GitChat《機器學習極簡入門》，作者李燁，微軟資深算法工程師。

掃描下方二維碼，了解專欄詳情

????

總結

以上是生活随笔為你收集整理的每日一课 | 机器学习入门—如何学习机器学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。