▌0. 背景

寫這篇文章的初衷是大部分私信我的朋友都想了解如何入門/轉(zhuǎn)行機(jī)器學(xué)習(xí)，搭上人工智能這列二十一世紀(jì)的快車。再加上這個問題每隔一陣子就會在知乎時間線上出現(xiàn)一次，因此想寫一篇文章來“一勞永逸”的分享我的觀點。

文章的宗旨是：1. 指出一些自學(xué)的誤區(qū) 2. 不過多的推薦資料 3. 提供客觀可行的學(xué)習(xí)表 4. 給出進(jìn)階學(xué)習(xí)的建議。這篇文章的目標(biāo)讀者是計劃零基礎(chǔ)自學(xué)的朋友，對數(shù)學(xué)/統(tǒng)計基礎(chǔ)要求不高，比如：

在讀的學(xué)生朋友

非計算機(jī)行業(yè)的讀者

已經(jīng)工作但想將機(jī)器學(xué)習(xí)/數(shù)據(jù)分析和自己的本職工作相結(jié)合的朋友

因此，這篇文章對于已經(jīng)身處機(jī)器學(xué)習(xí)領(lǐng)域可能幫助不大。同時再次聲明這只是我的個人看法，請大家有選擇的性閱讀，探索適合自己的學(xué)習(xí)方法。

▌1. 自學(xué)機(jī)器學(xué)習(xí)的誤區(qū)和陷阱

1.1. 不要試圖掌握所有的相關(guān)數(shù)學(xué)知識再開始學(xué)習(xí)

在很多相關(guān)的回答中(https://www.zhihu.com/question/60064269/answer/172305599)，我都一再強(qiáng)調(diào)不要試圖補(bǔ)足數(shù)學(xué)知識再開始學(xué)習(xí)機(jī)器學(xué)習(xí)。一般來說，大部分機(jī)器學(xué)習(xí)課程/書籍都要求：

線性代數(shù)：矩陣/張量乘法、求逆，奇異值分解/特征值分解，行列式，范數(shù)等

統(tǒng)計與概率：概率分布，獨立性與貝葉斯，最大似然(MLE)和最大后驗估計(MAP)等

優(yōu)化：線性優(yōu)化，非線性優(yōu)化(凸優(yōu)化/非凸優(yōu)化)以及其衍生的求解方法如梯度下降、牛頓法、基因算法和模擬退火等

微積分：偏微分，鏈?zhǔn)椒▌t，矩陣求導(dǎo)等

信息論、數(shù)值理論等

一般人如果想要把這些知識都補(bǔ)全再開始機(jī)器學(xué)習(xí)往往需要很長時間，容易半途而廢。而且這些知識是工具不是目的，我們的目標(biāo)又不是成為運籌學(xué)大師。建議在機(jī)器學(xué)習(xí)的過程中哪里不會補(bǔ)哪里，這樣更有目的性且耗時更低。

1.2. 不要把深度學(xué)習(xí)作為入門的第一門課

雖然很多人都是沖著深度學(xué)習(xí)來的，但把深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)第一課不是個好主意。原因如下：

深度學(xué)習(xí)的黑箱性更加明顯，很容易學(xué)得囫圇吞棗

深度學(xué)習(xí)的理論/模型架構(gòu)/技巧還在一直變化當(dāng)中，并未塵埃落定

深度學(xué)習(xí)實驗對硬件要求高，不太適合自學(xué)或者使用個人電腦進(jìn)行學(xué)習(xí)

更多討論可以看我的回答：深度學(xué)習(xí)的教學(xué)和課程，與傳統(tǒng) CS 的教學(xué)和課程有什么區(qū)別？(https://www.zhihu.com/question/63883727/answer/225499427)

1.3. 不要收集過多的資料 & 分辨資料的時效性

機(jī)器學(xué)習(xí)的資料很多，動輒就有幾個G的材料可以下載或者觀看。而很多朋友都有“收集癖”，一下子購買十幾本書的人我也常常能夠看到。

機(jī)器學(xué)習(xí)的發(fā)展和變化速度很快。在入門期間，建議“小而精”的選擇資料，選擇近期出版的且口碑良好的書籍。我不止一次的提到這個例子：

在很多深度學(xué)習(xí)的教科書中，尤其是10年以前的教科書中都還依然把Sigmoid當(dāng)作默認(rèn)的激活函數(shù)。但事實上，整流函數(shù)(ReLu)以及其拓展變形函數(shù)，如Leaky ReLu早就成為了主流的深度學(xué)習(xí)激活函數(shù)。但因為知識的滯后性，很多課程/書籍甚至都沒有介紹ReLu的章節(jié)。

一般來說，我比較推薦近5年內(nèi)出版的書籍，或者10年以后出版的書籍。有些書籍雖然是經(jīng)典，比如Tom Mitchell的《機(jī)器學(xué)習(xí)》，但因為其出版已經(jīng)超過20年，還是不建議大家購買。

在這篇文章中我所推薦的書籍和課程都相對比較經(jīng)典，同時屬于緊跟時代潮流的。入門階段我推薦了1門課程和2本書，進(jìn)階階段推薦了1本書，深度學(xué)習(xí)推薦了1門課程一本書，高級階段推薦了2本額外書籍。

▌2. 機(jī)器學(xué)習(xí)的一些前期準(zhǔn)備

2.1. 硬件選擇

另一個大家常問的問題是：是否可以用自己的筆記本電腦進(jìn)行機(jī)器學(xué)習(xí)。答案是肯定的，大部分市面上的數(shù)據(jù)集都可以放到你的內(nèi)存中運行。在入門階段，我們很少會用到非常大的數(shù)據(jù)集，一般最大也就是MNIST，完全可以使用個人筆記本電腦進(jìn)行運行。

請不要打著學(xué)習(xí)的名義重新購買機(jī)器...

2.2. 軟件選擇

如果要做深度學(xué)習(xí)，Linux還是首選，因為其對很多學(xué)習(xí)模型支持比較好（主要是深度學(xué)習(xí)的Library）。但即使你使用的是Windows系統(tǒng)，也可以用虛擬機(jī)裝Ubuntu來進(jìn)行學(xué)習(xí)。小型的深度學(xué)習(xí)模型足夠了，大型的深度學(xué)習(xí)我們很少在本地/個人計算機(jī)上運行。

至于編程語言，首推Python，因為其良好的拓展支持性，主流的工具包都有Python版本。在特定情況下，選擇R作為編程語言也是可以的。其他可能的語言還包括C++、Java和Matlab，但我個人不大推薦。

此處也想額外提一句，因為編程屬于機(jī)器學(xué)習(xí)基本要求之一，所以推薦大家可以自學(xué)一些基礎(chǔ)編程的知識(如Python)，在文中不再贅述。

2.3. 語言能力

學(xué)好英語，至少打下閱讀和聽力的基礎(chǔ)。雖然人工智能領(lǐng)域中國現(xiàn)在已經(jīng)做得很不錯，但主流的書籍、期刊和會議，資料都是英文的。我們可以接受翻譯版，但最好的方法還是自己有能力直接閱讀。即使你將來不做機(jī)器學(xué)習(xí)，英文閱讀能力還是會有很大的幫助。

▌3. 機(jī)器學(xué)習(xí)課程表

3.1. 第一階段：基礎(chǔ)入門(3-6個月)

入門的第一步是學(xué)習(xí)一些經(jīng)典課程并配套經(jīng)典書籍，一般來說這個過程在半年之內(nèi)比較合適。在這個部分我介紹的課程和書籍都屬于難度非常低的，對數(shù)學(xué)和編程都沒什么太大的要求。

3.1.1. 吳恩達(dá)Cousera機(jī)器學(xué)習(xí)課程

Andrew Ng的機(jī)器學(xué)習(xí)課程（Machine Learning | Coursera）是很多人的啟蒙課程，難度適中且完全免費。Coursera上總共有49285個人給出了評分，平均得分4.9分，滿分5分。據(jù)我個人觀察，大部分Coursera上的課程評分處于4-4.5分之間，能做到4.9分的課程寥寥無幾。另一個值得關(guān)注的是，這門課有接近五萬人給出評分，統(tǒng)計學(xué)知識告訴我們這個樣本較大所以評分應(yīng)該趨近于其真實值，比較可信。根據(jù)Freecodecamp的統(tǒng)計，這門課是所有在線Machine Learning課程中最受到大家好評的課程。另一個比較直接的觀察是如果大家在知乎上搜索“機(jī)器學(xué)習(xí)如何入門？”，大部分答案都提到了Andrew的這門入門課程，所以這是一門絕對的口碑課程。

3.1.2. Python機(jī)器學(xué)習(xí) & Introduction to Statistical Learning with R

在學(xué)習(xí)吳恩達(dá)的在線課程時，推薦同時閱讀相關(guān)的機(jī)器學(xué)習(xí)書籍補(bǔ)充理論知識。我再次推薦這兩本非常好的入門書籍，在我的專欄也有對于這兩本書的介紹。

Python機(jī)器學(xué)習(xí)：這本書出版于2015年并多次再版，在亞馬遜中國上我們可以找到影印版和翻譯版。這本書去掉了大量的數(shù)學(xué)推導(dǎo)的部分，僅保留了機(jī)器學(xué)習(xí)的核心應(yīng)用。閱讀本書可以快速對如何使用Python機(jī)器學(xué)習(xí)框架Sklearn有一個基本的了解，可以很快上手開始工作。本書涉及的內(nèi)容很廣泛，雖然只有400多頁，但內(nèi)容涉及了數(shù)據(jù)預(yù)處理(Data Preprocessing), 維度壓縮和核函數(shù)(Dimension Reduction & Kernel)，評估方法如交叉驗證，集成學(xué)習(xí)，情感分析，聚類，甚至還包括了神經(jīng)網(wǎng)絡(luò)和Theano。更多介紹：帶你讀機(jī)器學(xué)習(xí)經(jīng)典(三): Python機(jī)器學(xué)習(xí)(Chapter 1&2)(https://zhuanlan.zhihu.com/p/28647608)

Introduction to Statistical Learning with R（ISL）：相信正在機(jī)器學(xué)習(xí)苦海中遨游的朋友們肯定都聽過大名鼎鼎的The Element of Statistical Learning, 這本頻率學(xué)派的統(tǒng)計學(xué)習(xí)“圣經(jīng)”被大家叫做ESL。而ISL正是基于滿足更廣大閱讀人群的目的而推出的；ISL是ESL的入門版，不僅大量的去除了繁復(fù)的數(shù)學(xué)推導(dǎo)，還加入了R編程的部分，方便大家可以盡快上手。這本書是我推薦書單第一名：ISL的電子版是免費的：點擊下載(http://www-bcf.usc.edu/~gareth/ISL/ISLR%20First%20Printing.pdf)。更多介紹：帶你讀機(jī)器學(xué)習(xí)經(jīng)典(一): An Introduction to Statistical Learning (Chapter 1&2)(https://zhuanlan.zhihu.com/p/27556007)

3.1.3. 周志華《機(jī)器學(xué)習(xí)》

周志華老師的《機(jī)器學(xué)習(xí)》也被大家親切的叫做“西瓜書”。雖然只有幾百頁，但內(nèi)容涵蓋比較廣泛。然而和其他人的看法不同，我建議把西瓜書作為參考書而不是主力閱讀書。西瓜書因為篇幅的限制，涵蓋了很多的內(nèi)容但無法詳細(xì)的展看來講，對于初學(xué)者自學(xué)來說實際閱讀難度很大。這本書更適合作為學(xué)校的教材或者中階讀者自學(xué)使用，入門時學(xué)習(xí)這本書籍難度稍微偏高了一些。

我個人建議的用法是在學(xué)習(xí)網(wǎng)課和閱讀ISL遇到疑惑時可以參考西瓜書的相關(guān)章節(jié)，但入門階段沒有必要一章一章的閱讀，建議在這個階段只閱讀前十章即可。

3.2. 第二階段：進(jìn)階學(xué)習(xí)(3-6個月)

在這個階段，你已經(jīng)對機(jī)器學(xué)習(xí)有了基本的了解。如果你認(rèn)真的閱讀了ISL并上完了吳恩達(dá)的課程，我相信你已經(jīng)在理論上明白了什么是線性回歸，什么是數(shù)據(jù)壓縮，對特征工程以及簡單的回歸/預(yù)測問題有了理論上的基礎(chǔ)。這個時候最重要的就是進(jìn)行實踐！

3.2.1. Kaggle挑戰(zhàn)賽/練習(xí)

Kaggle（Your Home for Data Science）在數(shù)據(jù)分析領(lǐng)域早已大名鼎鼎，甚至可以說是數(shù)據(jù)分析第一社區(qū)，前一陣子剛剛被谷歌收購。Kaggle上有很多很好的數(shù)據(jù)集和挑戰(zhàn)賽，你可以嘗試這些挑戰(zhàn)取得名次，甚至拿到獎金，對于將來找工作也非常有幫助。而且Kaggle的另一大優(yōu)勢是網(wǎng)友會分享他們的經(jīng)驗和看法，你也可以提出問題讓大家來幫你提出一些修正方法。

國內(nèi)也有類似的平臺，比如天池大數(shù)據(jù)競賽，其他類似的平臺還包括DataCastle。

使用Kaggle的目的主要是將技能落在實處，防止練就一身屠龍之技。機(jī)器學(xué)習(xí)最大的幻覺就是覺得自己什么都懂了，但等到真的使用時發(fā)現(xiàn)并不奏效，而Kaggle是一個低成本的應(yīng)用機(jī)器學(xué)習(xí)的機(jī)會。

3.2.2. Sklearn文檔學(xué)習(xí)

Sklearn(scikit-learn: machine learning in Python-http://scikit-learn.org/stable/)是Python上最流行的機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)工具包，上文介紹的Python Machine Learning書中就大量使用Sklearn的API。和使用Kaggle的目的一致，學(xué)習(xí)的Sklearn的文檔也是一種實踐過程。比較推薦的方法是把主流機(jī)器學(xué)習(xí)模型Sklearn中的例子都看一遍。

Sklearn的文檔是少數(shù)寫的跟教程一樣的技術(shù)文檔，很具有閱讀價值。舉個簡單的例子，假設(shè)你想學(xué)習(xí)Python中使用邏輯回歸，就可以參考: Logistic Regression 3-class Classifier(http://scikit-learn.org/stable/auto_examples/linear_model/plot_iris_logistic.html#sphx-glr-auto-examples-linear-model-plot-iris-logistic-py)

Sklearn的文檔不僅提供了練習(xí)數(shù)據(jù)、sklearn的相關(guān)代碼實例，還提供了可視化圖。

3.2.2. 周志華機(jī)器學(xué)習(xí)

再次提到周老師是因為西瓜書是值得常常翻看的一本書，在kaggle挑戰(zhàn)和閱讀Sklearn文檔的過程中你還會時不時的遇到一些新的名詞，比如流形學(xué)習(xí)(manifold learning)等。這個時候你會發(fā)現(xiàn)西瓜書真的是一本中級階段大而全的書籍:)

3.3. 第三階段(可選*)：深度學(xué)習(xí)(3-6個月)

因為深度學(xué)習(xí)是當(dāng)下的熱點，很多公司都在尋找深度學(xué)習(xí)人才。雖然深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)的一個子集，但有興趣朝這個方向發(fā)展的朋友可以在完成以上學(xué)習(xí)后單獨學(xué)習(xí)一下深度學(xué)習(xí)。

3.3.1. 吳恩達(dá)深度學(xué)習(xí)課程

吳恩達(dá)在八月份的時候通過Deeplearning.ai和Coursera平臺推出了最新系列的五門深度學(xué)習(xí)課程(deeplearning.ai)。有條件的朋友可以通過Coursera學(xué)習(xí)獲得證書，最近網(wǎng)易云課堂也上線了這門課的翻譯版。如果想要上其中的課程，需要先注冊報名「深度學(xué)習(xí)工程師微專業(yè)」 深度學(xué)習(xí)工程師微專業(yè) - 一線人工智能大師吳恩達(dá)親研-網(wǎng)易云課堂 - 網(wǎng)易云課堂(http://mooc.study.163.com/smartSpec/detail/1001319001.htm)，之后就可以分別點開每門課單獨進(jìn)行學(xué)習(xí)。和Coursera上的DL同步，現(xiàn)在云課堂也上線了五門中的前三門課程，而卷積網(wǎng)絡(luò)(CNN)和循環(huán)網(wǎng)絡(luò)(RNN)還未開放。

更多關(guān)于網(wǎng)易云課堂上深度學(xué)習(xí)課程的介紹可以看：如何評價網(wǎng)易云課堂上線的吳恩達(dá)Deep Learning課程？(https://www.zhihu.com/question/64615398/answer/222596302)

3.3.2. Deep Learning - by IanGoodFellow

深度學(xué)習(xí)這本書是由當(dāng)下深度學(xué)習(xí)領(lǐng)域的幾位領(lǐng)軍人物所著，包含三大巨頭之一的Bengio，還有教父Hinton來作序推薦。這本書的中文本翻譯由張志華教授團(tuán)隊負(fù)責(zé)，在github上免費放出了翻譯版本，印刷版也可以從亞馬遜中國上買到。

英文版：Deep Learning

http://www.deeplearningbook.org/

中文版：exacity/deeplearningbook-chinese

https://github.com/exacity/deeplearningbook-chinese

這本書的閱讀建議：

為了補(bǔ)充基礎(chǔ)可以閱讀第1-5章其中也包含了一些數(shù)學(xué)知識

只關(guān)注主流神經(jīng)網(wǎng)絡(luò)知識可以閱讀6-10章，介紹了DNN/CNN/RNN

需要進(jìn)一步了解一些調(diào)參和應(yīng)用技巧，推薦閱讀11和12章

第13-20章為進(jìn)階章節(jié)，在入門階段沒有必要閱讀。其實比較實際的做法是吳恩達(dá)的課程講到什么概念，你到這本書里面可以閱讀一些深入的理論進(jìn)行概念加深，按章節(jié)閱讀還是比較耗時耗力的。

3.4. 第四階段：深入研究

恭喜你！如果你已經(jīng)完成了上面的計劃表，代表你已經(jīng)有了相當(dāng)?shù)臋C(jī)器學(xué)習(xí)能力。這個階段，最重要的就是不要貪多嚼不爛。如果你瀏覽知乎，會發(fā)現(xiàn)大家都說你必須讀Elements of Statistical Learning， MLAPP之類的大部頭。我承認(rèn)閱讀這樣的書會有幫助，但在你有了一定的基礎(chǔ)知識后，相信你已經(jīng)知道自己需要接著做什么了也有了志同道合的朋友，我希望把選擇權(quán)交還給你，而不是繼續(xù)推薦成堆的課程和書籍。當(dāng)然，如果你希望繼續(xù)深入的話，中文可以繼續(xù)閱讀周志華老師的《機(jī)器學(xué)習(xí)》和李航老師的《統(tǒng)計學(xué)習(xí)基礎(chǔ)》，英文可以入手《Elements of Statistical Learning》。在這個階段，重點要形成成體系的知識脈絡(luò)，切記貪多嚼不爛，切記！

從閱讀論文角度來說，訂閱Arxiv，關(guān)注機(jī)器學(xué)習(xí)的頂級會議，如ICML/NIPS等，相關(guān)的方法在知乎上可以很容易搜索到，不在此贅述。

▌4. 實踐經(jīng)驗

4.1. 研究經(jīng)歷

如果你還是學(xué)生，嘗試盡早接觸科研，進(jìn)實驗室。一般來說，大三的時候你應(yīng)該已經(jīng)有了基本的機(jī)器學(xué)習(xí)知識，盡管還比較淺。這個時候可以向老師/學(xué)長/學(xué)姐毛遂自薦進(jìn)實驗室，即使是無償勞動和做基本的苦力活。進(jìn)實驗室有兩個明顯的好處：

對某個小方向會有比較深入的了解。一般實驗室做純理論的不大需要本科生，做機(jī)器視覺或者自然語言處理(NLP)等小方向的比較需要本科生，所以這是很好的深入了解一個方向的機(jī)會。

補(bǔ)充了研究經(jīng)歷也可以明白自己是否適合這個領(lǐng)域。如果運氣好的話，你也有可能成為論文的作者之一，甚至可以去開會(公款旅游順道見一下業(yè)內(nèi)大佬)。這對于繼續(xù)深造和去國外繼續(xù)學(xué)習(xí)都很有幫助，有科研經(jīng)歷和論文是很大的籌碼，對于找工作來說也絕對有利無害。

4.2. 企業(yè)實習(xí)

上文提到過，機(jī)器學(xué)習(xí)光說不練假把式，最好的方法還是要實踐。因此，應(yīng)該先試著做科研，再嘗試工業(yè)界實習(xí)。對待科研機(jī)會，有則就上，沒有也不是太大的遺憾。我建議大部分做機(jī)器學(xué)習(xí)的朋友盡早實習(xí)，主要出于以下幾個考量：

打破幻想，了解工業(yè)界的主流模型。在其他很多答案中我都提到過，其實工業(yè)界用的大部分技術(shù)并不酷炫，你很少能看到深度強(qiáng)化學(xué)習(xí)那種AlphaGo一樣酷炫的模型。不夸張的說，廣義線性模型(generalized linear models)還是占據(jù)了大壁江山，這要歸功于其良好的解釋能力。從神經(jīng)網(wǎng)絡(luò)角度出發(fā)，一般也逃不過普通任務(wù)深度網(wǎng)絡(luò)、視覺任務(wù)卷積網(wǎng)絡(luò)CNN、語音和文字任務(wù)LSTM的套路。

補(bǔ)上學(xué)術(shù)界忽視的內(nèi)容，比如可視化和數(shù)據(jù)清洗。工業(yè)界的最終目的是輸出商業(yè)價值，而獲得商業(yè)洞見的過程其實是非常痛苦的，比如第一步就是令人深惡痛絕的數(shù)據(jù)清洗。毫不夸張的說，工業(yè)界百分之六十的時間都在清理數(shù)據(jù)，這和學(xué)術(shù)界干凈且規(guī)則化的現(xiàn)成數(shù)據(jù)完全不同。沒有在工業(yè)界體驗過的人，無法真的了解原來機(jī)器學(xué)習(xí)從頭到尾有那么多陷阱，泛化能力只是終極目標(biāo)，而往往我們連規(guī)整的數(shù)據(jù)都無法得到。

了解技術(shù)商業(yè)化中的取舍，培養(yǎng)大局觀。做技術(shù)的人往往一頭扎進(jìn)技術(shù)里面，而忽視了從全局思考。舉個例子，模型A的準(zhǔn)確率95.5%，每次訓(xùn)練時間是3天，需要6臺有GPU的服務(wù)器。而模型B的準(zhǔn)確率是百分之95.2%，但只需要一臺普通的macbook訓(xùn)練4個小時就可以了。從學(xué)術(shù)角度出發(fā)我們往往追求更好的模型結(jié)果選A，而工業(yè)界還要考慮到訓(xùn)練開銷、模型可解釋性、模型穩(wěn)定度等。到工業(yè)界實習(xí)不僅可以培養(yǎng)大家的宏觀掌控能力，對將來自己帶學(xué)生控制開銷或者選題也大有幫助

4.3. 在本職工作中使用機(jī)器學(xué)習(xí)

對于大部分已經(jīng)工作的朋友來說，重新回到學(xué)校攻讀學(xué)位并不現(xiàn)實，進(jìn)研究室進(jìn)行學(xué)習(xí)更是缺少機(jī)會。那么這個時候，你就可以試著把機(jī)器學(xué)習(xí)應(yīng)用到你自己的工作當(dāng)中。

已經(jīng)有了工作/研究經(jīng)驗的朋友，要試著將自己的工作經(jīng)歷利用起來。舉例，不要做機(jī)器學(xué)習(xí)里面最擅長投資的人，而要做金融領(lǐng)域中最擅長機(jī)器學(xué)習(xí)的專家，這才是你的價值主張(value proposition)。最重要的是，機(jī)器學(xué)習(xí)的基本功沒有大家想的那么高不可攀，沒有必要放棄自己的本專業(yè)全職轉(zhuǎn)行，沉沒成本太高。通過跨領(lǐng)域完全可以做到曲線救國，化劣勢為優(yōu)勢，你們可能比只懂機(jī)器學(xué)習(xí)的人有更大的行業(yè)價值。

舉幾個我身邊的例子，我的一個朋友是做傳統(tǒng)軟件工程研究的，前年他和我商量如何使用機(jī)器學(xué)習(xí)以GitHub上的commit歷史來識別bug，這就是一個很好的結(jié)合領(lǐng)域的知識。如果你本身是做金融出身，在你補(bǔ)足上面基本功的同時，就可以把機(jī)器學(xué)習(xí)交叉運用于你自己擅長的領(lǐng)域，做策略研究，我已經(jīng)聽說了無數(shù)個“宣稱”使用機(jī)器學(xué)習(xí)實現(xiàn)了交易策略案例。雖不可盡信，但對特定領(lǐng)域的深刻理解往往就是捅破窗戶的那最后一層紙，只理解模型但不了解數(shù)據(jù)和數(shù)據(jù)背后的意義，導(dǎo)致很多機(jī)器學(xué)習(xí)模型只停留在好看而不實用的階段。

▌5. 寫在最后

雖然人們曾說二十一是生物的世紀(jì)，但現(xiàn)在還是人工智能的世紀(jì)。歡迎大家來試試機(jī)器學(xué)習(xí)，體驗數(shù)據(jù)分析的魅力。

就像我曾在很多回答中提到，機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)該要敞開大門，讓每個人都可以嘗試將機(jī)器學(xué)習(xí)知識應(yīng)用于他們原本的領(lǐng)域，摒棄人為制造的知識壁壘。唯有這樣，機(jī)器學(xué)習(xí)技術(shù)才能在更多的不同領(lǐng)域落地，從而反哺機(jī)器學(xué)習(xí)研究本身。

科技日新月異，追逐熱點是好的。但在這個浮躁的時代，不管選擇什么方向最重要的就是獨立思考的能力，和去偽存真的勇氣。因此，看了這么多入門教程和經(jīng)驗分享后，我最希望的是你既不要急著全盤接受，也不要因為不對胃口全盤否定。慢下來，好好想想，制定適合自己的計劃，這大概才是做科學(xué)工作的正確態(tài)度。

在思考之后，拒絕外界的噪音，無論是鼓勵還是嘲笑。抱著“不撞南山不回頭”的信念，繼續(xù)朝機(jī)器學(xué)習(xí)的高峰攀登。

或許，科技領(lǐng)域正因為有了我們這群“書呆子”才顯得尤為可愛 ?????