歡迎光臨
每天分享高質量文章

3招打破機器學習工程師的邊界

本文約1300餘字,閱讀需要約3.2分鐘;

系統資料領取見文末;

關鍵詞:人工智慧,機器學習,深度學習,數學,學習建議,微專業


01.機器學習工程師的邊界是什麼?


大多數的事物都是有邊界的。那機器學習的邊界又是什麼呢?

對,就是數學。掌握了數學這個機器學習的底層基礎,不僅可以加深對演算法的理解,還能在模型優化階段更加游刃有餘。

02.如何打破邊界?

希望以下的內容能給你參考思路。

   機器學習中的數學基礎

方法建議:將實際意義與興趣賦予看似枯燥的學習之後,儘量死磕最少必要知識。


上圖是個使用邏輯回歸判斷一個男生是否是一位合適的女婿的例子。


其中,Y=w1*身高+w2*品德+w3*財富+w4*顏值+w5*就可以表達為多項式Y=w1*x1+w2*x2+w3*x3+w4*x4+w5*5,通過Sigmoid函式後,轉化為該男生可能成為優秀女婿的概率問題。


這裡會涉及sigmoid函式、求導演算法、梯度下降、正則項控制過擬合等數學知識。遇到問題解決問題,死磕關鍵點,才不會鑽入牛角尖,陷入數學知識的汪洋大海中孤立無援。

•   機器學習中的線性代數

方法建議:儘量將線性代數與現實意義結合起來


對於線性代數,理解它與機器學習的關鍵在於:理解線性代數與現實世界的巧妙的耦合。


上圖中的x,y可以分別代表觀察事物的2個維度。


x,y各自有大量的線性組合,意味著事物的2個維度有大量不同的看法,


將這些看法用機器來進行計算、歸納、演繹,並組合大量個別的看法,抽離出符合大多數的平衡點,從而得出普遍適用的結論。這不就是一件奇妙的巧妙而耦合的事件嘛~


•   機器學習中的概率統計

方法建議:儘量將看似無味的概率統計知識與感興趣的話題結合起來理解


隱馬爾科夫(HMM)演算法是機器學習中的一個概率圖模型,也是很多演算法崗位面試中的考察難點。來自知乎的王蒟蒻,就用一個游戲的場景清楚的解釋了隱馬爾科夫(HMM)演算法的原理。

https://www.zhihu.com/question/20962240/answer/33614574(鏈接)


我是一戰士,修煉出了三種戰鬥形態,分別為暴怒態,正常狀態和防禦態。同時我也會三個被動技能,分別是普通平A,爆擊(攻擊傷害翻倍),吸血(生命汲取)。


我在暴怒狀態下打出暴擊的概率是80%,打出吸血概率為5%;
在平衡形態下,打出暴擊的比率為30%,打出吸血的概率是20%;
在防禦形態下,暴擊成功概率為5%,吸血概率為60%。


總結一下,戰士在不同狀態下能打出技能的概率不一樣。


本來,戰士這個職業在暴怒態時,身邊會有一圈紅光環;防禦態時,會有一圈藍光環。但是,現在我正在玩游戲,游戲突然出了個bug:有個傻x程式員改了游戲的代碼,他給寫崩了,從此戰士身邊光環都看不見了。那我沒法通過看腳下的光環知道戰士在爆什麼狀態了。


話說,現在問題來了:由於看不到腳下光環,我只能估計“戰士”在爆什麼狀態;但我現在打一boss,砍10次,發現8次都是暴擊,血嘩嘩地翻倍在掉,你覺得我這戰士最可能是爆了什麼狀態?


所以,通過自己感興趣的話題來理解深奧的概率問題,就輕鬆很多了。

 


03.打破邊界的誤區


也許你早已意識到高等數學、線性代數、概率統計對做機器學習的重要性,也在積極補課中,於是一頭扎進大學的教材中。但埋頭死磕了好多次,每次都半途而費,學了很多,學到的很少。


因為教材始終更偏向理論。優點是每一步都可靠,邏輯嚴謹;但缺點就是很難理解。


古語有雲:“獨學而無友則孤陋而寡聞”,多人學習,協作學習能較快認識到打破機器學習邊界的誤區,盡可能的使用合適的學習方法。


推薦網易雲課堂聯合稀牛學院共同推出的人工智慧系列微專業課程,由知名企業一線人工智慧專家打造,結合工業界應用經驗設計學習路徑,並且有講師助教為你答疑解惑,真正帶你從入門到精通。


以下福利限時免費:


PART 1  免費直播

直播主題:

金牌助教親自幫你測量:從小白到AI工程師的距離

10月18日 周四 20:00>


播大綱:

  • 從0到1,小白都會遇到哪些坑?

  • 自我驅動,手把手教你如何持之以恆

  • 自我剖析,找到適合自己的學習路線

  • 知己知彼,不可錯過的AI崗位解讀

直播講師:

鄭林峰 人工智慧數學基礎微專業金牌助教


PART 2  免費體驗課

《人工智慧數學基礎體驗課》


課程大綱: 

為什麼說學人工智慧之前必須先學數學

大學數學知識複習(高數、線代、概率論)

《人工智慧數學基礎》微專業課程試學

PART 3  免費學習資料

獲取方式

群號:866057600

赞(0)

分享創造快樂