机器学习入门指引【深度学习系列之-机器学习入门指引】

 -------------- 如要转发请注明原文地址

 研究人工智能之深度学习，现分享经验给大家，通过下面的学习步骤，可以达到入门水平

 首先，机器学习是深度学习的基础，深度学习是机器学习的一个方向

 1
机器学习入门网络教程：https://www.coursera.org/learn/machine-learning【机器学习入门第一课】

2 python入门：https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000

【只是粗浅的python入门，计算机同行几个小时即可读完，但确涉及到了python绝大部分内容，完成这部分以后，在3,4步骤的实践中缺什么知识（库的运用）再专门去查资料，api之类，这样效果较好】
3 深入浅出深度学习（原理剖析与python实践）     【需要边学习边补数学知识】
4 Python 大战机器学习（数据科学家的第一个目标）    【需要边学习边补数学知识】
【3，4 为深度学习理论知识教学，特别是4中，结合了scikit-learn的使用，引入实践的案例，具有更好的操作性，可达到边学边用的目的，缺点是关于机器学习基础，深度学习理论方面，某些地方描述不够清晰，学习时将这两本书作为知识点大纲，同时翻阅网上其他资料，如5中的资料，5在深度学习方面描述的相当清楚】

5 深度学习入门系列教程：https://www.zybuluo.com/hanbingtao/note/433855
【深度学习入门必读】
按照上面的顺序学习，即可达到入门水平！其中，1，2步骤按照顺序阅读。3，4，5同时阅读。

如何学习深度挖掘？
计算机领域学习任何一门技术，需要以下几样并进取。
1 语言
 
语言方面，我选择的是python。没有任何理由。
2 框架
框架选择的是tensorflow + keras。这么来理解，keras提供比tensorflow更高级的api封装。tensorflow提供更细腻度的控制。对于初学者来说，先学习keras, keras可以迅速开发原型，让你可以快速上手用具体数据做实验，而不是把精力放在模型的细节上，当你对深度挖掘的理解越来越深，业务中需要的时候，再去学习tensorflow，对模型做细腻度控制，keras可以很好的结合tensorflow。再说说caffe,可以不用考虑了，他和tensorflow是在一个抽象层面的东西，安装起来比tensorflow复杂，所以我直接丢弃了对他的学习。
3 理论
理论知识来源于上面书籍中提供的知识。
4 业务应用
入门阶段可以采用框架提供的例子，或者kaggle官网的一些例子进行实际应用，加深对框架和理论知识的理解。在具有必须的理论知识以后，你需要知道的就是机器学习，深度学习，如何在实践中的运用。在实践过程中你可以更好的理解理论知识，你会用到框架去实现神经网络，同时也是个熟悉框架的过程。

机器学习，深度学习理论入门综述
下面我会对机器学习，深度学习做个简单的概念导入，不会涉及太多专业术语，力求让读者对整个知识体系有个框架性的认识。
何为机器学习？什么又是深度学习？
a 线性模型
假设我们需要预测孩子的身高和父母身高的关系，我们拿到一批数据X ,y 数据量为N; X 形如：（父亲身高，母亲身高）数组。　y 为（孩子的身高）数组。我们通过假设有这个一个模型
a*父亲身高 + b*母亲身高 + c = 孩子身高,然后我们通过这批X,y数据去拟合这个模型，使通过这个模型预测的身高和真实的身高比起来差距最小（即损失最小）。我们通过建立lost
= g(a,b,c)的损失函数，求解让g最小的a,b,c的值，求解的时候我们使用的方法就是对损失函数求导，和梯度下降。我们知道导数方向，即函数值变化的方向，我们通过改变导数的方向，不断的迭代来求取参数最优解。
我们最常用的模型就是线性模型，如上面a*x + b*y + c就是线性模型（线性的概念请百度）。如果我们对线性模型的输出不是最终的值，而是一个中间特征，也就是说我们假设的模型需要多次线性变换才能模拟最终的值，那么就是深度学习，可以理解深度学习指的是线性变换的深度。如果线性模型的输出是一个连续值，即我们预测的结果是个连续值，那么就是回归问题，但预测的结果也有可能是分类问题。我们称呼他们为线性回归和线性分类。线性指的是采用的模型是线性的，回归和分类指的是我们需要的结果是连续的，还是一个离散的问题。
当我们计算模型和输出和我们的预测间的差距的时候，我们引入了距离的概念，我们预测的值和真实值，都是我们量化后的数据，而距离也就是预测值和真实值量化的差距，我们常用的是Lp距离。我们需要设计我们的量化思路，怎么把现实生活中的东西量化表示，并且可以量化他们的距离。
b 其他模型
a中提到了模型的概念，其实除了线性模型，我们还有其他模型可用。机器学习的思路是：
我们根据业务的了解，假设业务中的逻辑符号某些特定规则，然后我们通过对大量数据的学习，来得到这些规则，以后我们就可以通过这些规则来处理数据（如预测）。
广义上的概念：
 模型：某种特定的规则
 学习：生成模型的过程，可以是调整参数，或者是生成模型的结构。学习基于某种理论，或者损失函数。
不同的模型可以拟合不同的业务需求。但是，并不是所有的现实问题都可以用数学模型来解决！
决策树模型：分类问题
 基于信息熵理论设计的规则。
贝叶斯分类器：分类问题
 根据贝叶斯理论设计的规则。

K-近邻法：分类和回归方法
 根据距离设计的规则。