入門(mén)機(jī)器學(xué)習(xí)該如何入手？作為一名科技工作者和計(jì)算機(jī)專(zhuān)業(yè)教育工作者，讓我來(lái)回答這個(gè)問(wèn)題。首先，機(jī)器學(xué)習(xí)是一個(gè)很好的選擇。機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的六大研究方向之一，目前比較流行。而且，由于機(jī)器學(xué)習(xí)與人工

入門(mén)機(jī)器學(xué)習(xí)該如何入手？

作為一名科技工作者和計(jì)算機(jī)專(zhuān)業(yè)教育工作者，讓我來(lái)回答這個(gè)問(wèn)題。

首先，機(jī)器學(xué)習(xí)是一個(gè)很好的選擇。機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的六大研究方向之一，目前比較流行。而且，由于機(jī)器學(xué)習(xí)與人工智能領(lǐng)域的其他研究方向密切相關(guān)，因此機(jī)器學(xué)習(xí)通常是學(xué)習(xí)人工智能的第一步。

機(jī)器學(xué)習(xí)本身涉及六大環(huán)節(jié)，即數(shù)據(jù)采集、算法設(shè)計(jì)、算法實(shí)現(xiàn)、算法訓(xùn)練、算法驗(yàn)證和算法應(yīng)用，因此學(xué)習(xí)機(jī)器學(xué)習(xí)可以從數(shù)據(jù)采集開(kāi)始，然后逐步過(guò)渡到其他環(huán)節(jié)。在當(dāng)今大數(shù)據(jù)時(shí)代，數(shù)據(jù)收集整理的方式越來(lái)越多，獲取數(shù)據(jù)的方式也越來(lái)越多。我們可以從基本的數(shù)據(jù)庫(kù)技術(shù)入手。其實(shí)，機(jī)器學(xué)習(xí)作為大數(shù)據(jù)分析的兩種常用方式，大數(shù)據(jù)領(lǐng)域的從業(yè)者往往需要關(guān)注機(jī)器學(xué)習(xí)技術(shù)。

算法設(shè)計(jì)是機(jī)器學(xué)習(xí)的核心，因此算法知識(shí)的學(xué)習(xí)是機(jī)器學(xué)習(xí)的重點(diǎn)。學(xué)習(xí)算法知識(shí)可以從基本的常用算法入手，如決策樹(shù)、樸素貝葉斯、支持向量機(jī)等算法需要重點(diǎn)學(xué)習(xí)。在學(xué)習(xí)算法的過(guò)程中，必須結(jié)合具體案例。算法的實(shí)現(xiàn)可以使用Python語(yǔ)言。目前，Python廣泛應(yīng)用于機(jī)器學(xué)習(xí)領(lǐng)域。

最后，對(duì)于目前的IT行業(yè)開(kāi)發(fā)者來(lái)說(shuō)，學(xué)習(xí)機(jī)器學(xué)習(xí)知識(shí)可以重點(diǎn)結(jié)合大數(shù)據(jù)和人工智能平臺(tái)提供的開(kāi)發(fā)環(huán)境，讓他們有更好的學(xué)習(xí)體驗(yàn)，在一定程度上增強(qiáng)自己的實(shí)踐能力。畢竟，未來(lái)大量機(jī)器學(xué)習(xí)的發(fā)展離不開(kāi)平臺(tái)的支持。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？

深度學(xué)習(xí)和一般機(jī)器學(xué)習(xí)有什么區(qū)別

1:一般機(jī)器學(xué)習(xí)一般指決策樹(shù)、邏輯回歸、支持向量機(jī)、xgboost等，深度學(xué)習(xí)的主要特點(diǎn)是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等等等。算法在層次上沒(méi)有相似性。很難說(shuō)相似性可能是每個(gè)人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機(jī)器學(xué)習(xí)在分析低維和可解釋的任務(wù)時(shí)表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點(diǎn)是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學(xué)歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學(xué)習(xí)算法擅長(zhǎng)分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬(wàn)像素，相當(dāng)于千萬(wàn)特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問(wèn)題，基本上能夠非常準(zhǔn)確地掌握?qǐng)D像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個(gè)數(shù)、隱層個(gè)數(shù)等）。綜上所述，兩者其實(shí)有很大的不同。近年來(lái)，深度學(xué)習(xí)得到了發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)算法大多來(lái)源于概率論和信息學(xué)。在編程方面，傳統(tǒng)的機(jī)器學(xué)習(xí)模型基本上集成到sklearn包中。對(duì)于深度學(xué)習(xí)，可以使用tensorflow作為框架。對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)的詳細(xì)理解，可以從李航的統(tǒng)計(jì)原理或周志華的機(jī)器學(xué)習(xí)（又稱(chēng)西瓜書(shū)）中看到。由于近兩年關(guān)于深度學(xué)習(xí)的書(shū)籍很少，我們可以參考近兩年關(guān)于深度學(xué)習(xí)的論文。當(dāng)然，他們都需要堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，主要是三本書(shū)：線(xiàn)性代數(shù)或高等代數(shù)，高等數(shù)學(xué)或數(shù)學(xué)分析，概率論或隨機(jī)過(guò)程

標(biāo)準(zhǔn)定義：任務(wù)及其性能過(guò)程的測(cè)量方法機(jī)器學(xué)習(xí)是利用經(jīng)驗(yàn)數(shù)據(jù)給出一種特定的算法來(lái)提高任務(wù)的性能。

簡(jiǎn)單定義：

舉個(gè)簡(jiǎn)單的例子：出租車(chē)司機(jī)開(kāi)車(chē)送你從上海到北京。在這里，“任務(wù)”是從上海到北京，“表現(xiàn)過(guò)程”是從上海到北京的不同道路，“經(jīng)驗(yàn)數(shù)據(jù)”是每一條可以走的道路。在此基礎(chǔ)上，設(shè)計(jì)了一種算法，利用實(shí)證數(shù)據(jù)建立“上海哪條路走”模型，提高北京的速度效應(yīng)。

為了通過(guò)使用經(jīng)驗(yàn)數(shù)據(jù)改進(jìn)性能過(guò)程，最流行的方法是“誤差反向傳播”。該方法的核心思想是：讓機(jī)器自由試錯(cuò)，然后根據(jù)試錯(cuò)結(jié)果與樣本真實(shí)結(jié)果之間的誤差調(diào)整試錯(cuò)策略。對(duì)誤差較小的嘗試進(jìn)行獎(jiǎng)勵(lì)，對(duì)誤差較大的嘗試進(jìn)行懲罰，然后在一個(gè)周期內(nèi)進(jìn)行試驗(yàn)，直到所有樣本的學(xué)習(xí)結(jié)果達(dá)到我們定義的最佳性能。

通過(guò)“誤差反向傳播”算法，機(jī)器將探索越來(lái)越多的上海到北京的道路，并以越來(lái)越快的速度找到最佳道路，這與老司機(jī)在多次駕駛后得到最佳選擇基本相同。

人與機(jī)器之間的差距也將反映在這里。當(dāng)從上海到北京有很多路的時(shí)候，人們不可能總是像機(jī)器那樣探索道路。對(duì)于機(jī)器的數(shù)據(jù)處理能力來(lái)說(shuō)，這樣的數(shù)據(jù)量可能是幾分鐘內(nèi)的最佳選擇

當(dāng)然，人們可以找到一種新的方法。新手可以一路詢(xún)問(wèn)老司機(jī)，而不是一路反復(fù)探索。